Keras模型训练首Epoch结束触发tuple index out of range错误求助

问题现象 #

训练Keras模型时，第一轮Epoch执行到429/430步时触发索引越界错误，完整报错回溯如下：

Epoch 1/10 429/430 [============================>.] - ETA: 0s - loss:
3.0401e-07 - accuracy: 0.2926
--------------------------------------------------------------------------- IndexError Traceback (most recent call
last) in
7 epochs=10,
8 validation_data=('X_val','y_val'),
----> 9 callbacks=callbacks
10 )

1 frames
/usr/local/lib/python3.7/dist-packages/keras/utils/traceback_utils.py
in error_handler(*args, **kwargs)
65 except Exception as e: # pylint: disable=broad-except
66 filtered_tb = _process_traceback_frames(e.traceback)
---> 67 raise e.with_traceback(filtered_tb) from None
68 finally:
69 del filtered_tb

/usr/local/lib/python3.7/dist-packages/tensorflow/python/framework/tensor_shape.py
in getitem(self, key)
907 else:
908 if self._v2_behavior:
---> 909 return self._dims[key]
910 else:
911 return self.dims[key]

IndexError: tuple index out of range

模型代码 #

inputs = keras.Input(shape=(1,), dtype='string')
processed_inputs = text_vectorization(inputs)
embedded = layers.Embedding(input_dim=max_tokens, output_dim=256, mask_zero=True)(processed_inputs)
x = layers.Dense(16, activation = 'relu', padding = 'same')(embedded)
x = layers.Dense(16,activation = 'relu', padding = 'same')(x)
x = layers.Dropout(0.2)(x)
x = layers.Flatten()(x)
outputs = layers.Dense(1)(x)

model = keras.Model(inputs=inputs, outputs=outputs)

model.compile(optimizer='rmsprop',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

callbacks = [keras.callbacks.ModelCheckpoint(filepath="test", 
                                             save_best_only=True, 
                                             monitor="val_loss",), 
             keras.callbacks.EarlyStopping(monitor="val_accuracy", patience=5)]


history = model.fit(
            X_train,
            y_train,
            epochs=10,
            validation_data=('X_val','y_val'),
            callbacks=callbacks
            )

错误原因及修复方法 #

1. 验证数据传参错误 #

validation_data=('X_val','y_val')传入的是字符串字面量，不是实际的验证数据变量，导致模型无法读取有效数据，触发维度计算异常。
修复： 将字符串改为变量名：

validation_data=(X_val, y_val)

2. Dense层错误使用padding参数 #

Dense层不存在padding='same'参数，该参数仅适用于卷积类层（如Conv1D、Conv2D），添加后会打乱模型内部维度处理逻辑，引发索引越界。
修复： 删除两个Dense层的padding参数：

x = layers.Dense(16, activation='relu')(embedded)
x = layers.Dense(16, activation='relu')(x)

3. 损失函数与输出层不匹配 #

输出层是Dense(1)，若为二分类任务，应使用binary_crossentropy损失；若为多分类且标签是整数形式，需用sparse_categorical_crossentropy；只有标签为独热编码的多分类任务，才适合categorical_crossentropy。当前输出维度为1，明显不匹配categorical_crossentropy的要求。
修复（以二分类为例）：

model.compile(optimizer='rmsprop',
              loss='binary_crossentropy',
              metrics=['accuracy'])

如果是多分类任务，需将输出层单元数调整为类别总数，并对应修改损失函数。

4. 标签维度检查 #

确保y_train和y_val的维度与输出层匹配：

• 二分类：标签维度应为(样本数,)或(样本数,1)
• 多分类（独热编码）：标签维度应为(样本数, 类别数)
• 多分类（整数标签）：标签维度应为(样本数,)

内容的提问来源于stack exchange，提问作者Chris H