Keras实现排序模型时输入输出形状不匹配问题求助

错误核心是模型输出形状与目标标签形状不匹配：

• 目标标签ytrue的形状为(2, 3)（batch_size=2，每个样本对应3个分类概率）
• 模型最终输出形状为(2, 1, 3)，多了一个不必要的维度，导致交叉熵损失计算时维度校验失败。

形状不匹配的具体推导 #

1. 输入rinputs形状是(batch_size, 3, 2)，通过tf.split(x, num_or_size_splits=3, axis=1)分割后，每个子张量的形状为(batch_size, 1, 2)（按第二个维度分割，保留长度为1的第二维）。
2. 经过Dense(1)层处理后，每个子张量的输出形状变为(batch_size, 1, 1)（Dense层默认作用在最后一维，保留前面的维度）。
3. 使用默认axis=-1拼接三个(batch_size,1,1)的张量后，concatLayer形状是(batch_size,1,3)，再经过Dense(3, softmax)后，输出形状仍为(batch_size,1,3)，与ytrue的(batch_size,3)无法匹配。

以下两种修复方式任选其一即可：

方式1：分割后立即压缩多余维度 #

修改分割后的张量处理逻辑，去掉每个子张量中长度为1的第二维：

# 3 locations with 2 descriptions. 
rinputs = Input(shape=(3, 2), name='inputlayer')

# take my 3 expected inputs, split them
split = Lambda(lambda x: tf.split(x, num_or_size_splits=3, axis=1))(rinputs)
# 压缩每个子张量的第1维（索引从0开始）
input_one_tensor = tf.squeeze(split[0], axis=1)
input_two_tensor = tf.squeeze(split[1], axis=1)
input_three_tensor = tf.squeeze(split[2], axis=1)

# combine each set of location elements into 1 "score"
layer2 = Dense(1, name='Layer2', use_bias=True, activation='sigmoid')
layer2a = layer2(input_one_tensor)  # 形状变为(batch_size,1)
layer2b = layer2(input_two_tensor)
layer2c = layer2(input_three_tensor)

concatLayer = Concatenate(name='ConcatLayer2')([layer2a, layer2b, layer2c])  # 形状变为(batch_size,3)

# softmax my score to get "best selection"
softmaxLayer = Dense(3, activation='softmax', name='softmax', use_bias=False)
softmaxLayer = softmaxLayer(concatLayer)  # 形状保持(batch_size,3)

model = Model(inputs=rinputs, outputs=softmaxLayer)
model.compile(loss=keras.losses.categorical_crossentropy, optimizer=keras.optimizers.Adam(), metrics=['accuracy'])

方式2：拼接后压缩多余维度 #

如果不想修改分割后的处理，可在拼接后添加Lambda层去掉多余维度：

# ... 前面代码保持不变 ...
concatLayer = Concatenate(name='ConcatLayer2')([layer2a, layer2b, layer2c])
# 去掉第1维
concatLayer = Lambda(lambda x: tf.squeeze(x, axis=1))(concatLayer)
# ... 后面代码保持不变 ...

修改后，模型输出形状会变为(batch_size,3)，与ytrue形状完全匹配，即可正常训练。

内容的提问来源于stack exchange，提问作者user1639926