TensorFlow/Keras情感分析模型形状不兼容错误解决方法

报错根因 #

这个形状不兼容错误和你手动删除3个负样本的操作无关，核心矛盾是模型输出和传入标签的形状、格式不匹配：

• 你搭建的模型最后一层是2单元softmax，编译用了categorical_crossentropy损失，该组合要求传入的标签是形状为(batch_size, 2)的one-hot编码（即每个样本对应一个长度为2的0/1数组，对应两个类别的概率真值）
• 你实际传入的标签是形状为(batch_size, 1)的单值整数标签（即每个样本只有一个0或1的类别值），batch size为32时就会出现(32,1)和(32,2)的形状冲突。

至于无法通过.shape有效查看形状的问题，基本都是查询对象不对导致的：对未实例化的Keras符号张量、tf.data.Dataset管道对象直接调用.shape，拿不到实际运行时的张量维度。

张量/数据形状正确查询方式 #

针对不同对象用对应方法，不要一概而论直接调.shape：

• 普通numpy数组、pandas序列、已经padding完的序列列表转成的数组：直接调用.shape即可打印准确形状，比如print(padded_train_seq.shape)、print(train_labels.shape)
• Keras框架内的符号张量（比如模型层的输出张量）：.shape属性只能拿到静态定义的形状，存在None这类不确定维度时，可以在层的调用逻辑里加tf.print(tf.shape(tensor))，训练运行到该步时会打印实际动态形状
• 用tf.data.Dataset封装的数据集：不要直接对dataset对象调.shape，取一个批次的实际数据查看即可：

for seq_batch, label_batch in train_dataset.take(1):
    print("输入序列批次形状:", seq_batch.shape)
    print("标签批次形状:", label_batch.shape)

• 快速校验全模型形状匹配度：模型搭建完成后直接调用model.summary()，会打印每一层的输入输出形状、参数规模，不用逐层查张量就能快速定位形状不匹配的层。

数据与张量形状对齐方案 #

二分类场景选以下任意一套方案即可，不要混用配置：

方案1：保留现有softmax输出配置 #

保持最后一层Dense(2, activation='softmax')和categorical_crossentropy损失不变，把整数标签转成one-hot编码即可：

from tensorflow.keras.utils import to_categorical
# 假设原始标签是由0（负向）、1（正向）组成的一维数组
train_labels = to_categorical(train_labels, num_classes=2)
val_labels = to_categorical(val_labels, num_classes=2)
# 处理后标签形状为(样本总数, 2)，和模型输出形状完全匹配

注：正负样本差3个属于极小的样本量差异，完全不需要手动删除样本对齐数量，强行删样本反而可能损失训练数据，类别不平衡问题可以通过class_weight参数调整，和形状报错无关。

方案2：保留现有整数标签配置 #

不用转one-hot编码，调整模型输出层和损失函数适配单值标签，这套配置对于二分类任务参数更少、训练效率更高：

# 将原模型最后一层替换为1单元sigmoid层
model.add(tf.keras.layers.Dense(1, activation='sigmoid'))
# 编译时损失函数替换为二分类交叉熵
model.compile(
    loss='binary_crossentropy',
    optimizer=Adam(),
    metrics=['accuracy']
)

另外补两个容易踩的形状坑：

• 序列padding不要自己写遍历逻辑实现，直接用tf.keras.preprocessing.sequence.pad_sequences，明确指定maxlen参数，处理完的序列形状固定为(样本总数, maxlen)，不会出现长度不齐的问题
• 接入预训练Word2Vec权重时，确认Embedding层三个参数匹配：input_dim等于词表总大小、output_dim等于Word2Vec训练的向量维度、传入的weights参数对应的嵌入矩阵形状为(词表大小, 词向量维度)

内容的提问来源于stack exchange，提问作者XEX