Keras报错：logits and labels must have the same first dimension

你遇到的维度报错核心是模型输出（logits）、标签格式、损失函数三者不匹配，先明确两个基础概念：

• logits：模型最后一层输出的未经过激活转换的原始预测值
• labels：你传入fit方法的真实标签y

报错里提到的「第一维度必须一致」，第一维度指的是样本批量大小：框架要求一个批量里，预测值的样本数和真实标签的样本数必须完全相等。

你的代码存在3个直接触发错误的问题：

1. 输出层维度和任务不匹配
   你现在最后一层Dense(3)，意味着模型输出形状是(样本数, 3)，但你传入的y形状是(1,5)，框架在计算损失时自动把y压成了形状(5,)，导致样本数维度（logits是1，labels是5）直接对不上。
2. 损失函数选型错误
   sparse_categorical_crossentropy是专门给单标签多分类任务用的损失，要求两个前提：
   • 标签是形状为(样本数,)的一维整数数组，每个值是0到「类别数-1」的类别索引
   • 模型最后一层输出维度等于总类别数，且搭配softmax激活
     你的y是二维数组，还出现了数值6，完全不符合该损失函数的输入要求。
3. 任务逻辑混淆
   从你构造的x和y的格式看，你要做的是回归任务（输入5维特征，预测5维连续数值），不是分类任务，用分类损失自然会报错。

如果你的目标是做5维数值的回归预测，按如下修改即可运行：

import numpy
from tensorflow import keras
from tensorflow.keras import layers

x = numpy.array([[1,2,3,4,5]])
y = numpy.array([[3,2,3,6,5]])

model = keras.Sequential(
    [
        layers.Input(shape=(5,)),
        layers.Dense(3, activation="relu", name="layer1"),
        layers.Dense(3, activation="relu", name="layer2"),
        # 输出维度改为5，和要预测的y的最后一维对齐
        layers.Dense(5, name="layer3"),
    ]
)

# 替换为回归任务常用的均方误差损失
model.compile(optimizer=keras.optimizers.Adam(learning_rate=.0001), loss='mse')
    
model.fit(x, y, batch_size=10, epochs=11, verbose=2)

如果你确实要做单标签分类任务，需要同步调整两处配置：

• 确认总分类类别数N，将最后一层改为layers.Dense(N, activation="softmax", name="layer3")
• 将标签y处理为形状(样本数,)的一维整数数组，每个标签值范围在0~N-1之间

内容的提问来源于stack exchange，提问作者dse