多分类图像模型评估报错：Shapes (32,16)与(32,)不兼容

错误核心原因 #

ValueError: Shapes (32, 16) and (32,) are incompatible的本质是：

• 模型输出yhat为one-hot编码格式（形状(32,16)，对应16个分类），但测试集标签y是类别索引格式（形状`(32,)），两者数据格式不匹配。
• 你误用了二分类专属的BinaryAccuracy指标，同时默认的Precision/Recall未配置多分类模式。

方案1：将标签转为one-hot编码匹配模型输出 #

把测试集标签转换为one-hot格式，同时替换为多分类适用的指标：

import tensorflow as tf
from tensorflow.keras.metrics import Precision, Recall, CategoricalAccuracy

# 原模型结构保持不变，此处省略

# 初始化多分类指标，指定average策略（按需选择macro/micro/weighted）
pre = Precision(average='macro')
re = Recall(average='macro')
ba = CategoricalAccuracy()

for batch in test.as_numpy_iterator():
    X, y = batch
    # 将类别索引转为one-hot编码，depth对应分类总数16
    y_one_hot = tf.one_hot(y, depth=16)
    yhat = model.predict(X, verbose=0)  # verbose=0关闭预测日志输出
    pre.update_state(y_one_hot, yhat)
    re.update_state(y_one_hot, yhat)
    ba.update_state(y_one_hot, yhat)

# 打印最终指标结果
print(f"Precision: {pre.result().numpy()}")
print(f"Recall: {re.result().numpy()}")
print(f"Accuracy: {ba.result().numpy()}")

方案2：将模型输出转为类别索引匹配标签 #

若不想修改标签格式，可将模型的概率输出转为类别索引，同时使用稀疏指标：

from tensorflow.keras.metrics import Precision, Recall, SparseCategoricalAccuracy

# 原模型结构保持不变，此处省略

# 初始化稀疏多分类指标（适配类别索引格式的标签）
pre = Precision(average='macro')
re = Recall(average='macro')
ba = SparseCategoricalAccuracy()

for batch in test.as_numpy_iterator():
    X, y = batch
    yhat = model.predict(X, verbose=0)
    # 将one-hot概率输出转为类别索引（取概率最大的类别）
    yhat_class = tf.argmax(yhat, axis=1)
    pre.update_state(y, yhat_class)
    re.update_state(y, yhat_class)
    ba.update_state(y, yhat)  # SparseCategoricalAccuracy可直接兼容两种格式

# 打印最终指标结果
print(f"Precision: {pre.result().numpy()}")
print(f"Recall: {re.result().numpy()}")
print(f"Accuracy: {ba.result().numpy()}")

关键注意事项 #

• 多分类场景禁止使用BinaryAccuracy，该指标仅适用于二分类任务，多分类请选择：
  • CategoricalAccuracy：适配one-hot格式标签
  • SparseCategoricalAccuracy：适配类别索引格式标签
• Precision/Recall在多分类时必须指定average参数：
  • 'macro'：计算每类指标后取算术平均
  • 'micro'：先统计全局TP/FP/FN再计算指标
  • 'weighted'：按各类别样本数量加权平均

内容的提问来源于stack exchange，提问作者Likhith Chakravarthi K C