Keras二分类训练报logits与labels形状不匹配问题咨询

我已检索过同类问题，但相关问题下的已采纳解决方案均无法解决我遇到的故障。
以下是编写二分类器的完整代码：

from google.colab import drive
drive.mount('/content/drive')

df = pd.read_csv('/content/drive/My Drive/dielectron.csv')
df = df.drop('Run', axis=1); df = df.drop('M', axis=1)
df.info()
df.head()

scaler = MinMaxScaler()

index = df.index.to_list() 
columns = df.columns.tolist()

scaler = MinMaxScaler()

df_scaled = scaler.fit_transform(df)
Df = pd.DataFrame(df_scaled , index=index , columns=columns)
Df.info()

Df= Df.drop('Event', axis=1)
x = Df.drop('Q2', axis=1).to_numpy()
y = Df['Q2']
y = np.asarray(y).astype('float32').reshape((-1,1))

model = tf.keras.Sequential([
                                   tf.keras.layers.Dense(16, activation='relu'),
                                   tf.keras.layers.Dense(16, activation='relu'),
                                   tf.keras.layers.Dense(16, activation='sigmoid')
])

epochs = 20


es = tf.keras.callbacks.EarlyStopping(monitor='val loss',
                                      patience = 3,
                                      mode = 'min',
                                      restore_best_weights=True)

model.compile(loss= tf.keras.losses.BinaryCrossentropy(),
              optimizer= tf.optimizers.Adam(),
              metrics= [tf.keras.metrics.BinaryAccuracy()]
)

history = model.fit(x, y, epochs=epochs, validation_split=0.3, callbacks=[es])

传入model.fit()的张量形状查询结果：

x.shape:(100000, 15)
y.shape:(100000, 1)

运行代码触发的报错核心信息：

ValueError: `logits` and `labels` must have the same shape, received ((None, 16) vs (None, 1)).

注：本人接触机器学习、深度学习与TensorFlow Keras时间较短，不排除代码存在低级错误。本次使用的为CERN电子碰撞公开数据集，同时需要明确logit的准确定义，此前查阅的资料解释存在冲突。

• 核心错误：二分类任务的输出层维度设置错误。标签y是单维度（每个样本对应一个0/1分类值），但模型最后一层设置了16个神经元，输出形状为(None,16)，和标签的(None,1)形状不匹配，计算二元交叉熵损失时无法对齐维度直接报错。
• 次要错误：早停回调的监控参数名书写错误，Keras中验证集损失的参数名为val_loss，代码中写的val loss带空格，会导致早停机制无法找到对应监控值。
• 隐含错误：代码缺少必要的依赖导入，直接运行会触发NameError。

按以下步骤修改代码即可正常运行：

1. 在代码最开头补充缺失的依赖导入：

   import pandas as pd
   import numpy as np
   import tensorflow as tf
   from sklearn.preprocessing import MinMaxScaler
   

2. 修改模型最后一层的神经元数量为1，匹配二分类单输出的要求：

   model = tf.keras.Sequential([
       tf.keras.layers.Dense(16, activation='relu'),
       tf.keras.layers.Dense(16, activation='relu'),
       tf.keras.layers.Dense(1, activation='sigmoid') # 原代码此处为16，改为1
   ])
   

3. 修正早停回调的监控参数名，补全下划线：

   es = tf.keras.callbacks.EarlyStopping(monitor='val_loss', # 原代码此处为val loss，补上下划线
                                         patience = 3,
                                         mode = 'min',
                                         restore_best_weights=True)
   

logit是神经网络输出层未经过激活函数转换的原始输出值，值域为全体实数，没有被映射到概率区间。
以二分类场景为例：

• 如果最后一层写Dense(1)（不指定激活函数），这一层直接输出的原始值就是logit；
• 如果写Dense(1, activation='sigmoid')，框架会先输出1维logit，再经过sigmoid函数把值压缩到0~1区间，输出最终的分类概率。
  本次报错信息中提到的logits，就是模型最后一层输出的原始计算结果，因为最后一层设了16个神经元，所以输出16维logit，和1维的标签形状无法匹配，才触发了维度错误。

内容的提问来源于stack exchange，提问作者python newbie