MobileViT二分类训练报logits与labels形状不匹配错误

这个形状不匹配报错是二分类任务的输出层、激活函数、损失函数、标签编码三套配置逻辑混用导致的，你现在的配置既不符合单神经元二分类的规范，也不符合双输出多分类式二分类的规范，同时你写的tf.one_hot标签处理逻辑实际没有生效，传入训练的标签实际还是形状为(None,1)的单值0/1标签，和你设置的2维输出层形状完全对不上。

选择单神经元二分类的标准配置即可，不需要做独热编码，收敛速度更快：

• 把分类头最后一层从Dense(2, activation='sigmoid')改成Dense(1, activation='sigmoid')，输出形状变为(None,1)
• 删掉标签预处理阶段depth=2的tf.one_hot逻辑，直接使用原始0/1标签；如果取batch打印标签形状是(None,)，就加一步labels = tf.expand_dims(labels, axis=-1)把标签形状转成(None,1)和输出对齐
• 损失函数保持keras.losses.BinaryCrossentropy()不用改，直接启动训练就不会再报形状错误
• 推理时直接判断输出值：大于0.5为正类，小于等于0.5为负类

如果一定要用2维输出的结构，需要把整套配置换成双输出分类的逻辑，不能混用BinaryCrossentropy：

• 分类头最后一层保持Dense(2)，激活函数换成softmax，也可以不加激活直接输出原始logits
• 修正数据集预处理逻辑：先取一个训练batch执行imgs, labels = next(iter(train_dataset))，打印labels.shape，排查one_hot未生效的原因——常见问题包括数据集加载时label_mode配置不对、map处理函数没正确返回one_hot后的标签、one_hot后误加了squeeze操作压缩了维度，最终要确保标签形状为(None,2)
• 损失函数替换为keras.losses.CategoricalCrossentropy()：如果最后一层没加激活函数，就加参数from_logits=True；如果加了softmax激活就保持默认from_logits=False
• 不要用BinaryCrossentropy搭配2维输出，这个损失函数是为单神经元二分类设计的，搭配2维输出会对每个神经元单独计算二分类损失，不符合任务目标。

不管选哪种方案，改完之后先取一个batch的数据，分别打印模型预测的输出形状、标签形状，确认两者完全一致再启动全量训练，避免浪费算力和时间。

内容的提问来源于stack exchange，提问作者Nephilim700