TensorFlow 2.9.1百事识别模型报错：logits与labels形状不匹配求解

训练时触发的ValueError: logits and labels must have the same shape错误，核心原因有两个，对应修复方案如下：

1. 补全模型结构：添加Flatten层 #

卷积和池化操作后输出的是三维特征图（shape为(6,6,32)），必须先通过Flatten层将其展平为一维向量，才能对接全连接的Dense层。原代码漏掉了这一步，导致最后一层Dense输出形状为(None,6,6,2)，和标签的(None,)完全不匹配。

修改后的模型定义代码：

from tensorflow.keras import models  # 补充缺失的models导入
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Dense, Flatten
import numpy as np
import pickle

X = pickle.load(open("X.pickle","rb"))
y = pickle.load(open("y.pickle","rb"))

X = X/255.0

model = models.Sequential()
model.add(Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=(32, 32, 3)))
model.add(MaxPooling2D((2, 2)))
model.add(Conv2D(32, kernel_size=(3, 3), activation='relu'))
model.add(MaxPooling2D((2, 2)))
model.add(Flatten())  # 新增Flatten层，将三维特征图展平为一维
model.add(Dense(32, activation='relu'))
model.add(Dense(2, activation='softmax'))

2. 匹配损失函数与标签/输出层 #

你的标签y是单整数格式（取值0或1，shape为(None,)），而模型输出是2类softmax激活的结果，此时应使用sparse_categorical_crossentropy作为损失函数，它专门适配单整数标签与多分类输出的组合。

修改模型编译代码：

model.compile(loss="sparse_categorical_crossentropy", optimizer="adam", metrics=['accuracy'])

验证说明 #

修复后训练，模型输出的两个节点会符合预期：识别到百事时，索引0的节点数值最高；非百事时，索引1的节点数值最高。

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