CNN训练报错：Shapes (None,1)与(None,6)不兼容问题求助

问题根源 #

ValueError: Shapes (None, 1) and (None, 6) are incompatible的本质是模型输出与标签的维度不匹配：

• 你的模型最后一层Dense(6)输出维度为(None,6)，对应6个类别的概率分布（多分类任务）
• 输入的y_train是未编码的字符串数组，模型接收时形状为(None,1)，两者维度无法对齐

两种可行解决方案 #

方案1：独热编码标签 + categorical_crossentropy损失 #

将字符串标签转为6维独热向量，和模型输出维度匹配：

1. 用LabelEncoder把字符串转成整数索引：

from sklearn.preprocessing import LabelEncoder
import tensorflow as tf

le = LabelEncoder()
y_train_int = le.fit_transform(y_train)

2. 转成独热编码，标签形状变为(样本数,6)：

y_train_onehot = tf.keras.utils.to_categorical(y_train_int, num_classes=6)

3. 编译模型时指定对应损失函数：

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

方案2：整数标签 + sparse_categorical_crossentropy损失 #

无需独热编码，仅将字符串转成整数，同时修改损失函数：

1. 转换整数标签：

from sklearn.preprocessing import LabelEncoder

le = LabelEncoder()
y_train_int = le.fit_transform(y_train)
# 若标签形状为(样本数,1)，执行y_train_int = y_train_int.flatten()转为(样本数,)

2. 编译模型时使用稀疏分类交叉熵：

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

注意事项 #

• 验证集y_val必须使用**同一个LabelEncoder**的transform方法编码，不能重新训练编码器
• 模型最后一层建议添加softmax激活函数（多分类标准配置）：Dense(6, activation='softmax')

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