如何解决tensorflow.keras中Shapes(None,3)与(None,1)不兼容的ValueError？

报错来自你定义的评估指标（METRICS列表内的指标），这些指标默认适配二分类任务，期望输出形状为(None, 1)，但你的模型是3分类任务，输出形状为(None, 3)，二者形状不匹配触发报错。

以下提供两种可直接落地的修复方案：

方案1：保留稀疏标签和sparse_categorical_crossentropy损失，更换适配多分类的评估指标 #

修改你的METRICS定义为适配3分类稀疏标签的版本，示例如下：

METRICS = [
    keras.metrics.SparseCategoricalAccuracy(name='accuracy'),
    keras.metrics.Precision(name='precision', num_classes=3, average='macro'),
    keras.metrics.Recall(name='recall', num_classes=3, average='macro'),
    keras.metrics.AUC(name='auc', num_classes=3, multi_label=False)
]

说明：多分类场景下TruePositives、FalsePositives、TrueNegatives、FalseNegatives这类二分类混淆矩阵指标无全局意义，若需要分类别统计可以单独指定class_id参数配置对应类别的指标。

方案2：将标签转为one-hot编码，使用categorical_crossentropy损失 #

如果需要保留原有二分类指标的使用习惯，可以按以下步骤调整：

1. 对train_label做one-hot编码，转换后形状为(样本数, 3)
2. 将模型编译的损失改为loss='categorical_crossentropy'
3. 调整评估指标的num_classes=3参数适配3分类one-hot输入

• 你当前早停策略的监控指标为val_auc，多分类AUC计算需要正确配置参数，否则计算结果不符合预期，建议优先使用val_accuracy作为监控指标更稳妥。
• 可先打印train_label.shape确认标签形状是否为(样本数, )（适配sparse_categorical_crossentropy的稀疏标签格式）。

内容的提问来源于stack exchange，提问作者Mayberry2021