TensorFlow CNN处理SBERT句嵌入数据时形状不匹配问题咨询

问题根因 #

报错来源于两处核心配置和数据/任务不匹配：

1. 输入配置错误：你已经提前通过SBERT生成了每个句子的384维嵌入，单样本形状为(439, 384)，但原有代码定义的输入层仅接收(439,)的整数ID序列，还额外新增了Embedding层做二次嵌入，冗余操作直接导致维度错乱。
2. 输出层配置错误：你的目标是二分类任务，但原有代码输出层设置了274个神经元的softmax激活，对应274分类任务，和需求不符。

需调整的配置项 #

• 移除冗余的Embedding层，修改输入层形状为(439, 384)，匹配现有SBERT嵌入的格式
• 直接对输入张量增加通道维度适配Conv2D的输入要求
• 调整输出层和损失函数适配二分类：如果标签是0/1格式，输出层用1个神经元+sigmoid激活，损失函数改为binary_crossentropy；如果标签是独热编码格式，输出层用2个神经元+softmax激活，保留原损失函数即可

修改后可运行的代码 #

from tensorflow.keras import layers, optimizers, Model

# 调整输入层形状，匹配SBERT嵌入格式
sequence_input = layers.Input(shape=(439, 384))
# 直接增加通道维度适配Conv2D，不需要Embedding层
embedded_sequences = layers.Reshape((439, 384, 1))(sequence_input)

# 原有卷积池化逻辑保留
x = layers.Conv2D(100, (5, 384), activation='relu')(embedded_sequences)
x = layers.MaxPooling2D((439 - 5 + 1, 1))(x)

y = layers.Conv2D(100, (4, 384), activation='relu')(embedded_sequences)
y = layers.MaxPooling2D((439 - 4 + 1, 1))(y)

z = layers.Conv2D(100, (3, 384), activation='relu')(embedded_sequences)
z = layers.MaxPooling2D((439 - 3 + 1, 1))(z)

alpha = layers.concatenate([x,y,z])
alpha = layers.Flatten()(alpha)
alpha = layers.Dropout(0.5)(alpha)

# 调整输出层适配二分类（这里以0/1标签格式为例）
preds = layers.Dense(1, activation='sigmoid')(alpha)

model = Model(sequence_input, preds)
adadelta = optimizers.Adadelta()

# 损失函数对应调整为二分类交叉熵
model.compile(loss='binary_crossentropy',
              optimizer=adadelta,
              metrics=['acc'])

model.fit(x=X_train_sent_emb_3m, y=y_train_sent_emb_3m, epochs=25 , validation_data=(X_test_sent_emb_3m, y_test_sent_emb_3m))

内容的提问来源于stack exchange，提问作者gschweer84