Keras模型训练报错：维度不匹配（ValueError: Dimensions must be equal）

你的问题根本不是损失函数的问题，而是特征和标签的定义完全搞反了！

你要预测的是casual和registered这两个数值，但当前代码里：

• dat_features是包含所有列的原始数据（包括要预测的两个目标列）
• dat_labels是去掉目标列后的10列数据

而你的模型最后一层输出是2维（对应两个目标值），但训练时传入的标签是10维，两者维度不匹配，所以才会报Dimensions must be equal, but are 2 and 10的错误。

修正后的代码 #

import pandas as pd
import numpy as np
import tensorflow as tf
from tensorflow.keras import layers

dat = pd.read_csv('https://raw.githubusercontent.com/byui-cse/cse450-course/master/data/bikes.csv')

dat['dteday'] = pd.to_datetime(dat['dteday'])
dat['dteday'] = dat['dteday'].values.astype('float64')

for col in dat.columns:
    dat[col] = dat[col].astype(np.float64)

# 修正特征与标签的定义：特征是除目标列外的所有列，标签是要预测的两个数值
dat_features = dat.drop(columns=['casual', 'registered'])
dat_labels = dat[['casual', 'registered']]

# 转换为数组
dat_features = np.array(dat_features)
dat_labels = np.array(dat_labels)

bike_model1 = tf.keras.Sequential([
    layers.Dense(10),
    # layers.Dense(20),
    layers.Dense(2)
])

bike_model1.compile(loss=tf.keras.losses.MeanSquaredError(),
                    optimizer=tf.keras.optimizers.Adam())

bike_model1.fit(dat_features, dat_labels, epochs=10)

补充说明 #

• MeanSquaredError损失函数对于回归任务（预测连续数值）是完全合适的，不需要更换。
• 核心错误就是特征和标签的赋值颠倒，导致维度不匹配，修正后即可正常训练。

内容的提问来源于stack exchange，提问作者Izy