TensorFlow编码器-解码器RNN出现x==y断言失败InvalidArgumentError报错

核心原因是你向tfa.seq2seq.BasicDecoder传入sequence_length参数后，解码器默认会开启自动截断逻辑：输出的rnn_output会自动对齐到当前批次内最大的序列长度，而非和decoder输入的固定长度对齐。
从报错信息可以看到，当前训练批次内最长的序列长度为4，因此解码器输出的预测结果维度为[32, 4, target_vocab_size]，但你传入的标签y_train固定填充到了7位，维度为[32, 7]，二者维度不匹配触发了损失函数的断言报错。

推荐采用以下方案处理：

• 方案1（最常用）：关闭解码器自动截断，手动实现掩码损失
  首先在调用解码器时添加impute_finished=False参数，强制解码器输出和decoder输入长度一致的结果：

  final_outputs, final_state, final_sequence_lengths = decoder(
      decoder_embeddings, initial_state=encoder_state,
      sequence_length=sequence_lengths,
      impute_finished=False)
  

  然后自定义掩码损失函数，计算损失时自动忽略填充位置的误差：

  def masked_sparse_categorical_crossentropy(y_true, y_pred):
      # 生成掩码，真实序列位置为1，填充位置为0
      mask = tf.sequence_mask(sequence_lengths, maxlen=tf.shape(y_true)[1], dtype=tf.float32)
      # 计算原始损失
      loss = tf.keras.losses.sparse_categorical_crossentropy(y_true, y_pred)
      # 应用掩码
      loss = loss * mask
      # 返回平均损失（仅计算真实序列位置）
      return tf.reduce_sum(loss) / tf.reduce_sum(mask)
  

  编译模型时使用该自定义损失即可：

  model.compile(optimizer="adam", loss=masked_sparse_categorical_crossentropy)
  

• 方案2：对齐标签和输出维度
  如果你需要保留解码器的自动截断逻辑，需要在训练时将每个批次的y_train同步截断到当前批次的最大sequence_length值，保证标签和预测结果的维度一致。该方案需要自定义训练循环，实现成本高于方案1。

额外建议检查seq_length数组的取值是否正确，确保所有值都不超过y_train的最大填充长度7，避免出现其他维度异常。

内容的提问来源于stack exchange，提问作者jda5