Keras多标签分类报错：Shapes (None,1)与(None,16)不兼容

这个问题的核心是你混淆了单标签多分类和多标签分类的模型配置逻辑，以及标签格式与损失函数/激活函数的匹配问题。我来一步步帮你拆解和解决：

首先，分析报错的直接原因 #

你的标签张量是一维的(1333,)（整数类型，每个值代表单个类别），但模型最后一层输出是(None,16)，同时你用了categorical_crossentropy损失函数——这个损失函数要求标签必须是one-hot编码的二维张量（比如(1333,16)），两者形状不匹配，所以抛出了错误。

而你用单标签二分类（Dense(1)+sigmoid）时正常，是因为此时模型输出(None,1)，标签是(样本数,)的0/1值，binary_crossentropy损失可以直接适配这种格式，所以没有冲突。

接下来分两种场景给你针对性解决方案：

场景1：你其实是做「单标签多分类」（每个样本只有一个类别，16个类别选其一） #

如果你的需求是给每个文本分配唯一的一个类别，那只需要调整损失函数或者转换标签格式即可：

方案A：保留整数标签，修改损失函数

把categorical_crossentropy换成sparse_categorical_crossentropy，这个损失函数专门适配一维整数标签和多维softmax输出的组合：

model.compile(optimizer='rmsprop', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
history = model.fit(x_train, y_train, epochs=10, batch_size=32, validation_data=(x_val, y_val))

方案B：将标签转为one-hot编码，继续用原损失函数

用Keras工具把一维整数标签转成二维one-hot矩阵，让标签形状和模型输出匹配：

from tensorflow.keras.utils import to_categorical

# 转换训练集和验证集标签
y_train_onehot = to_categorical(y_train, num_classes=16)
y_val_onehot = to_categorical(y_val, num_classes=16)

# 编译和训练时用转换后的标签
model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['categorical_accuracy'])
history = model.fit(x_train, y_train_onehot, epochs=10, batch_size=32, validation_data=(x_val, y_val_onehot))

场景2：你确实要做「多标签分类」（每个样本可以属于多个类别） #

如果你的需求是一个文本可以同时被标记多个类别（比如一篇新闻同时属于「科技」和「财经」），那你的模型和标签格式都需要调整：

第一步：修正标签格式

多标签分类的标签必须是二维矩阵(样本数, 类别数)，每个元素是0或1，表示该样本是否属于对应类别。假设你的原始标签是每个样本对应一个类别列表（比如df['labels']的值是[0,3]表示属于类别0和3），可以用MultiLabelBinarizer转换：

from sklearn.preprocessing import MultiLabelBinarizer

# 初始化多标签编码器，指定类别数量为16
mlb = MultiLabelBinarizer(classes=range(16))
# 转换训练集和验证集标签
y_train = mlb.fit_transform(df['labels'][:training_samples])
y_val = mlb.transform(df['labels'][training_samples:training_samples+validation_samples])
# 此时y_train的形状为(training_samples, 16)，每个元素是0或1

第二步：修正模型最后一层的激活函数

多标签分类不能用softmax（它会让所有类别概率和为1，强制类别互斥），应该用sigmoid，让每个类别独立输出0-1的概率（表示属于该类别的可能性）：

model = Sequential()
model.add(Embedding(max_words, embedding_dim, input_length=maxlen))
model.add(Flatten())
model.add(Dense(64, activation='relu'))
model.add(Dense(16, activation='sigmoid'))  # 替换softmax为sigmoid

第三步：修正损失函数

用binary_crossentropy损失函数，因为多标签分类本质上是对每个类别做独立的二分类判断：

model.compile(optimizer='rmsprop', loss='binary_crossentropy', metrics=['binary_accuracy'])
history = model.fit(x_train, y_train, epochs=10, batch_size=32, validation_data=(x_val, y_val))

内容的提问来源于stack exchange，提问作者Isky