NLP多分类情感分类器训练报错：logits与labels形状不匹配

构建NLP三分类情感分类器时，训练阶段报错：logits形状为(None, 3)，labels形状为(None, 1)，二者不匹配导致训练失败。模型最后一层已设置为3输出+softmax激活，判断问题出在标签处理上。当前标签是映射为整数的一维numpy数组（形状(None,1)），不清楚如何调整标签维度匹配模型输出。

有两种简单的修复方式，任选其一即可：

方法一：对标签做One-Hot编码，配合categorical_crossentropy损失函数 #

模型当前使用categorical_crossentropy损失函数，该函数要求标签为one-hot编码形式（形状为(样本数, 类别数)），而非当前的一维整数数组。使用tf.keras.utils.to_categorical转换标签：

# 替换原有train_y、test_y的定义
train_y = tf.keras.utils.to_categorical(np.array(train_df['sentiment_cat']), num_classes=3)
test_y = tf.keras.utils.to_categorical(np.array(test_df['sentiment_cat']), num_classes=3)

转换后标签形状变为(None, 3)，与模型输出的logits形状完全匹配，可正常启动训练。

方法二：改用sparse_categorical_crossentropy损失函数，无需修改标签 #

若不想调整标签格式，直接替换损失函数为sparse_categorical_crossentropy即可。该损失函数专门适配标签为一维整数索引的多分类场景，无需one-hot编码：

with tf.device(device_name):
  model.compile(loss='sparse_categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

此方法更简洁，无需改动标签的形状与编码方式，适配当前标签格式。

额外提示 #

• 代码中convert_to_list函数生成的train_labels、test_labels未被使用，可清理以避免代码冗余。
• 确认sentiment_cat的编码为连续整数（0、1、2对应三类），cat.codes默认会生成连续编码，一般无需额外处理。

内容的提问来源于stack exchange，提问作者zolotl