使用BinaryCrossentropy二分类时遇形状不匹配错误求助

错误根源 #

报错ValueError: logits and labels must have the same shape ((None, 2) vs (None, 1))的核心矛盾在于：

• 模型最后一层输出为Dense(2, activation='softmax')，输出形状是(None, 2)（对应两个类别的概率分布）
• 而tf.keras.utils.image_dataset_from_directory默认生成的标签是单维整数标签，形状为(None, 1)，两者维度不匹配导致损失函数计算失败。

可行解决方案 #

方案1：更换适配稀疏标签的损失函数 #

保持当前模型结构（双输出softmax）不变，使用SparseCategoricalCrossentropy替代BinaryCrossentropy，该损失函数专门适配整数标签+多分类softmax输出的场景：

model.compile('adam', loss=tf.losses.SparseCategoricalCrossentropy(), metrics=['accuracy'])

方案2：调整模型输出层适配二分类范式 #

将模型最后一层改为单输出+sigmoid激活，这是二分类任务的标准配置，此时输出形状(None,1)与标签形状完全匹配：

# 修改vgg函数中的输出层
output = Dense(1, activation='sigmoid')(x)

# 保持原损失函数配置即可
model.compile('adam', loss=tf.losses.BinaryCrossentropy(), metrics=['accuracy'])

方案3：修改数据加载的标签模式 #

加载数据集时指定label_mode='categorical'，生成独热编码格式的标签（形状(None,2)），与原模型的双输出softmax匹配：

# 修改数据加载代码
data1 = tf.keras.utils.image_dataset_from_directory('Train', shuffle=True, label_mode='categorical')
data2 = tf.keras.utils.image_dataset_from_directory('Test', shuffle=True, label_mode='categorical')
data3 = tf.keras.utils.image_dataset_from_directory('Validation', shuffle=True, label_mode='categorical')

# 此时可继续使用BinaryCrossentropy或CategoricalCrossentropy
model.compile('adam', loss=tf.losses.BinaryCrossentropy(), metrics=['accuracy'])

总结 #

二分类任务中三种配置均可正常工作，推荐根据习惯选择：

• 单输出+sigmoid+BinaryCrossentropy（最常用的二分类范式）
• 双输出+softmax+SparseCategoricalCrossentropy（适配默认整数标签）
• 双输出+softmax+CategoricalCrossentropy（适配独热编码标签）

内容的提问来源于stack exchange，提问作者Surya Majumder