Stellargraph搭建GCN多标签分类时出现形状不兼容报错

基于Stellargraph库实现GCN模型完成图节点分类任务，已完成StellarGraph图对象构建，任务类型为多标签分类：共需预测19列标签，每列标签编码为0或1。
数据集基础信息：

• 总边数：271045条
• 总节点数：16354个
• 训练节点数：12265个
  单列标签的单分类场景下模型可正常运行，传入19列多标签训练时抛出形状不匹配错误，报错数值233035恰好等于训练节点数12265与标签类别数19的乘积。

数据集拆分与生成器初始化 #

from sklearn.model_selection import train_test_split
from stellargraph.mapper import FullBatchNodeGenerator

train_subjects, test_subjects = train_test_split(nodelist, test_size = .25)
generator = FullBatchNodeGenerator(graph, method="gcn")

GCN层初始化 #

from stellargraph.layer import GCN

train_gen = generator.flow(train_subjects['ID'], train_subjects.drop(['ID'], axis = 1))
gcn = GCN(layer_sizes=[16, 16], activations=["relu", "relu"], generator=generator, dropout=0.5)

输出层定义 #

from tensorflow.keras import layers, optimizers, losses, metrics, Model

x_inp, x_out = gcn.in_out_tensors()
predictions = layers.Dense(units = 1, activation="sigmoid")(x_out)

模型编译 #

from tensorflow.keras.metrics import Precision as Precision

model = Model(inputs=x_inp, outputs=predictions)
model.compile(
    optimizer=optimizers.Adam(learning_rate = 0.01),
    loss=losses.categorical_crossentropy,
    metrics= [Precision()])

val_gen = generator.flow(test_subjects['ID'], test_subjects.drop(['ID'], axis = 1))

模型训练 #

from tensorflow.keras.callbacks import EarlyStopping

es_callback = EarlyStopping(monitor="val_precision", patience=200, restore_best_weights=True)

history = model.fit(
    train_gen,
    epochs=200,
    validation_data=val_gen,
    verbose=2,
    shuffle=False,  
    callbacks=[es_callback])

InvalidArgumentError:  Incompatible shapes: [1,12265] vs. [1,233035]
     [[node LogicalAnd_1 (defined at tmp/ipykernel_52/2745570431.py:7) ]] [Op:__inference_train_function_1405]

形状不匹配由两处核心配置错误导致：

• 输出层维度设置错误：任务需要为每个节点输出19个独立标签的预测概率，原代码将输出层Dense的units参数设为1，仅能输出1维结果，与19维的真实标签形状冲突。
• 损失函数选型错误：categorical_crossentropy适用于标签互斥的单标签多分类任务（标签为one-hot编码）；当前多标签分类任务中每个标签独立取0/1值，不满足该损失函数的输入要求。

修改两处对应代码即可：

1. 调整输出层维度为标签总数19，保留sigmoid激活函数（为每个标签独立输出0-1之间的概率值）：

# 原错误配置：predictions = layers.Dense(units = 1, activation="sigmoid")(x_out)
predictions = layers.Dense(units=19, activation="sigmoid")(x_out)

2. 替换损失函数为适用于多标签分类的二分类交叉熵：

model.compile(
    optimizer=optimizers.Adam(learning_rate = 0.01),
    loss=losses.binary_crossentropy, # 替换原categorical_crossentropy
    metrics= [Precision()])

修改完成后重新运行即可解决形状不匹配问题，正常开展模型训练。

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