TensorFlow多目标变量训练报错：要求可广播形状

问题根源 #

1. 标签与输出结构不匹配：模型输出是6个张量组成的列表，但数据集返回的标签是字典结构，TensorFlow无法自动完成字典到列表的映射，导致形状对齐失败。
2. 标签类型与格式错误：任务为9分类，模型输出是(batch_size,9)的softmax结果，但数据集标签是float类型的类别值（如4.、5.），未转换为从0开始的整数索引；而SparseCategoricalFocalLoss要求标签是整数类型的类别索引，当前标签格式不符合要求。
3. 多输出损失未明确指定：多输出任务未手动指定对应损失函数，Keras默认损失无法适配多输出场景。

解决方案 #

步骤1：转换数据集标签的结构与类型 #

将字典格式的标签转为列表，同时把float类型的标签转为从0开始的整数索引（假设原标签取值为1-9，减1得到0-8的有效索引）：

def format_dataset(features, labels):
    # 按模型输出顺序转换标签为列表，同时转为整数索引
    label_list = [
        tf.cast(labels['cohesion'] - 1, tf.int32),
        tf.cast(labels['syntax'] - 1, tf.int32),
        tf.cast(labels['vocabulary'] - 1, tf.int32),
        tf.cast(labels['phraseology'] - 1, tf.int32),
        tf.cast(labels['grammar'] - 1, tf.int32),
        tf.cast(labels['conventions'] - 1, tf.int32)
    ]
    return features, label_list

# 应用转换到训练和测试集
tf_train_dataset = tf_train_dataset.map(format_dataset)
tf_test_dataset = tf_test_dataset.map(format_dataset)

步骤2：为多输出模型指定损失函数 #

编译模型时，为每个输出对应指定SparseCategoricalFocalLoss（或根据需求替换为SparseCategoricalCrossentropy）：

from tensorflow.keras.losses import SparseCategoricalFocalLoss

# 为6个输出分别定义损失函数
losses = [
    SparseCategoricalFocalLoss(),
    SparseCategoricalFocalLoss(),
    SparseCategoricalFocalLoss(),
    SparseCategoricalFocalLoss(),
    SparseCategoricalFocalLoss(),
    SparseCategoricalFocalLoss()
]

# 编译模型
model.compile(
    optimizer=tf.keras.optimizers.Adam(learning_rate=2e-5),
    loss=losses,
    metrics=['accuracy']
)

步骤3：验证输入输出形状匹配 #

可以通过以下代码确认模型输入输出形状是否正确：

model.summary()

# 测试单个样本输出
sample_input = {
    'input_ids': tf.random.uniform((1, SEQ_LEN), minval=0, maxval=1000, dtype=tf.int32),
    'attention_mask': tf.ones((1, SEQ_LEN), dtype=tf.int32)
}
sample_output = model(sample_input)
for idx, out in enumerate(sample_output):
    print(f"{index2label[idx]} 输出形状：{out.shape}")  # 预期输出为(1,9)

额外注意事项 #

• 若原标签取值范围不是1-9，需先确认所有类别对应的数值，调整索引转换逻辑，确保覆盖全部9个类别。
• 若无需使用Focal Loss，可替换为SparseCategoricalCrossentropy(from_logits=False)（模型已用softmax激活，from_logits需设为False）。

内容的提问来源于stack exchange，提问作者Muhammad