使用Flux构建二分类神经网络的输出维度问题咨询

首先明确Flux的张量维度规则：特征在前，样本在后，即输入数据的形状应为(特征数, 样本数)。你的输入是100个3维特征的样本，正确的输入形状应该是3×100，而非100×3——这是导致你输出维度异常的核心原因。

下面给出两种符合预期的二分类模型实现方案：

方案一：单神经元输出（推荐，二分类常规做法） #

这种方案输出每个样本属于正类的概率（范围0-1），负类概率可通过1 - 概率直接推导，无需额外输出第二维。

修正后代码 #

using Flux

# 构造正确维度的输入：3个特征，100个样本
X = rand(3, 100)
# 标签：100个样本的二分类标签（0/1），形状1×100
Y = rand([0,1], 1, 100)

# 模型：输入特征数匹配X的第一维度3，最后一层输出1个神经元对应正类概率
model = Chain(
    Dense(3, 32, relu),
    Dense(32, 1),
    sigmoid
)

# 损失函数与优化器
loss(x, y) = Flux.binarycrossentropy(model(x), y)
opt = Flux.ADAM()

# 训练
Flux.train!(loss, Flux.params(model), [(X, Y)], opt)

# 验证输出：1×100的数组，对应每个样本的正类概率
println(size(model(X)))  # 输出 (1, 100)

方案二：双神经元输出（输出两类概率） #

如果需要明确输出每个样本的两类概率（形状2×100），可采用双神经元+softmax激活，同时标签需转为独热编码格式。

修正后代码 #

using Flux

# 构造正确维度的输入
X = rand(3, 100)
# 原始标签：100个样本的0/1标签
Y_raw = rand([0,1], 100)
# 转为独热编码：形状2×100，每列对应一个样本的两类标签
Y = Flux.onehotbatch(Y_raw, [0, 1])

# 模型：最后一层输出2个神经元，对应两类概率
model = Chain(
    Dense(3, 32, relu),
    Dense(32, 2),
    softmax  # 将输出归一化到概率和为1
)

# 损失函数用多分类交叉熵，适配独热标签
loss(x, y) = Flux.crossentropy(model(x), y)
opt = Flux.ADAM()

# 训练
Flux.train!(loss, Flux.params(model), [(X, Y)], opt)

# 验证输出：2×100的矩阵，每列是对应样本的两类概率
println(size(model(X)))  # 输出 (2, 100)

关键说明 #

• 你之前的模型输入层用Dense(100, 32)，会把输入的第一维度当成特征数（即认为每个样本有100个特征），而你的输入是100×3，相当于3个样本、每个样本100个特征，所以最终输出会是3个元素，这和你的实际需求完全不符。
• 无论哪种方案，核心是输入维度必须和模型第一层的输入特征数匹配，同时标签形状要和模型输出形状严格对应。

内容的提问来源于stack exchange，提问作者bSwizzle