Keras-tuner二分类报错logits和labels形状不匹配((None,2)vs(None,1))

• 直接触发报错的原因是输出层配置与标签形状、损失函数不匹配：当前二分类任务的标签y_train/y_test形状为(None, 1)（单列表征0/1类别），但定义的输出层是Dense(2, activation='sigmoid')，输出形状为(None, 2)，而binary_crossentropy损失要求预测输出和真实标签形状完全一致，因此触发形状不匹配错误。
• 代码还存在两个隐藏问题：
  • 控制隐藏层堆叠数量的超参数被错误命名为input_shape，语义完全不符，后续调参很容易出现配置混淆
  • 堆叠的第一层Dense层没有指定输入特征维度，模型无法正确推断输入形状，修正当前形状错误后也大概率会触发输入形状相关报错。

优先选择普通二分类的标准配置（适配当前(None,1)形状的标签，无需修改标签格式），修正后完整代码如下：

def build_model(hp):
    model = keras.Sequential()
    # 重命名层数超参数保证语义匹配，第一层显式指定输入特征维度
    hidden_layer_count = hp.Int('hidden_layers_num', 2, 20)
    for i in range(hidden_layer_count):
        dense_config = {
            "units": hp.Int(f'units_{i}', min_value=32, max_value=512, step=32),
            "activation": 'relu'
        }
        # 第一层传入输入形状，填入训练集的特征数量
        if i == 0:
            dense_config["input_shape"] = (X_train.shape[1],)
        model.add(layers.Dense(**dense_config))
    # 输出层改为单神经元+sigmoid，输出形状(None,1)与标签匹配
    model.add(layers.Dense(1, activation='sigmoid'))
    model.compile(
        optimizer=keras.optimizers.Adam(
            hp.Choice('learning_rate', [1e-2, 1e-3, 1e-4])),
        loss='binary_crossentropy',
        metrics=['accuracy'])
    return model

tuner.search(X_train, y_train,
         epochs=5,
         validation_data=(X_test, y_test))

如果需要保留2个神经元的输出配置（普通二分类场景不推荐），需要同步修改对应配置：

• 将输出层激活函数改为softmax，损失函数替换为sparse_categorical_crossentropy，可保持现有(None,1)形状的标签不变
• 如果坚持用sigmoid激活+2神经元输出，属于多标签分类配置，需要将标签转换为(None,2)形状的one-hot编码，才能匹配binary_crossentropy的输入要求。

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