TensorFlow模型训练报Shapes(None,22)与(None,10)不兼容如何修复

• 输出层维度与标签维度不匹配：模型最后一层设置为Dense(10, activation=tf.nn.softmax)，对应输出10维分类结果，但传入的标签y最后一维长度为22，计算交叉熵损失时维度无法对齐，直接触发形状不兼容报错。
• 标签格式不符合损失函数要求：代码中导入了to_categorical但未使用，categorical_crossentropy损失要求输入独热编码格式的标签，原始标签无法直接传入。
• 数据处理逻辑错误：将表格数据reshape为(3,1066,22)的写法完全不符合建模逻辑，第一维设为3代表整个数据集仅3个样本；后续用re_df[:, 3]取特征、re_df[:,-1]取标签的索引规则错误，无法得到“单样本对应特征+标签”的正确结构。
• 依赖缺失：代码全程调用tf.keras相关接口，但未导入TensorFlow库，运行时会触发tf未定义的错误。

1. 补全TensorFlow导入语句
2. 修正数据reshape、特征与标签切分逻辑：reshape时第一维设为-1让numpy自动计算总样本量，单独拆分出特征列和标签列，不要混同索引
3. 按实际分类类别数修改输出层神经元数量：从标签维度判断任务共22个类别，最后一层Dense的输出维度改为22
4. 对标签做独热编码，适配categorical_crossentropy的输入要求；如果不想做独热编码，也可以直接将损失函数替换为sparse_categorical_crossentropy，直接传入整数格式标签即可

# Loading required packages
import time
import sympy
import numpy as np
import seaborn as sns
import collections
import pandas as pd
import tensorflow as tf
from sklearn.datasets import fetch_openml
from sklearn.model_selection import train_test_split
from tensorflow.keras.utils import to_categorical
%matplotlib inline
import matplotlib.pyplot as plt

# 读取并清洗数据
df = pd.read_csv('/home/Table.csv', dtype=np.float32)
df = df.dropna()
# 拆分标签与特征，将label替换为你表格里实际的标签列名
y = df['label'].values
X = df.drop(['id', 'label'], axis=1).values
# 如果特征需要调整维度可自行reshape，一维特征可省略这步
# X = X.reshape(-1, 单样本特征维度)

# 标签做独热编码，num_classes设为实际类别总数22
y = to_categorical(y, num_classes=22)

# 拆分训练测试集
x_train, x_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 搭建模型
model = tf.keras.models.Sequential()
#  Flatten层指定输入维度，和特征维度对齐
model.add(tf.keras.layers.Flatten(input_shape=(x_train.shape[1],)))
model.add(tf.keras.layers.Dense(40, activation=tf.nn.relu))
model.add(tf.keras.layers.Dense(20, activation=tf.nn.relu))
# 输出层维度和类别数对齐，设为22
model.add(tf.keras.layers.Dense(22, activation=tf.nn.softmax))

# 编译模型
model.compile(optimizer="adam", loss="categorical_crossentropy", metrics=["accuracy"])

# 启动训练
history = model.fit(x=x_train, y=y_train, epochs=5, validation_split=0.3)

提示：如果你的标签本身就是0-21的连续整数，不想做独热编码，可以直接把编译阶段的loss参数改为sparse_categorical_crossentropy，跳过to_categorical处理步骤即可。

内容的提问来源于stack exchange，提问作者Gillian