多分类任务Shapes(None,1)与(None,3)不兼容及BatchDataset标签处理问题

• 初始的Shapes (None, 1) and (None, 3) are incompatible报错：你使用categorical_crossentropy作为损失函数，要求输入标签为形状(None,3)的独热编码格式，但原始标签为单个类别值，形状为(None,1)，维度不匹配。
• 后续DataType string not in list of allowed values报错：tf.one_hot仅支持整数类型的索引输入，你的class列是字符串类型的标签，无法直接传入做独热编码。另外你原有代码里仅在shuffle为True时执行了batch和独热编码逻辑，验证集、测试集不会做对应转换，也会导致后续训练报错。

方案一：配合categorical_crossentropy修改数据处理逻辑 #

1. 先将字符串标签映射为整数索引，在加载DataFrame后统一处理：

# 建立字符串标签到整数的映射
label_map = {'star': 0, 'galaxy': 1, 'quazar': 2}
train['class'] = train['class'].map(label_map)
val['class'] = val['class'].map(label_map)
test['class'] = test['class'].map(label_map)

2. 修改df_to_dataset函数，把batch、独热编码逻辑提到shuffle判断外，保证所有数据集都做对应处理：

def df_to_dataset(df, shuffle=True, batch_size=32): 
  df = df.copy()
  labels = df.pop('class')
  ds = tf.data.Dataset.from_tensor_slices((dict(df), labels))
  if shuffle:
    ds = ds.shuffle(buffer_size=len(df))
  # 批量处理和独热编码逻辑对所有数据集生效
  ds = ds.batch(batch_size).map(lambda x, y: (x, tf.one_hot(y, depth=3)))
  return ds

3. 原有编译、训练代码保持不变即可正常运行。

方案二：更换损失函数简化流程（更推荐） #

不需要做独热编码，仅需将标签转为整数索引后，把损失函数更换为sparse_categorical_crossentropy，该损失函数原生支持整数格式的单值标签，无需额外做独热转换：

1. 同方案一第一步，先把字符串标签映射为整数索引
2. 修改模型编译代码：

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

3. df_to_dataset不需要加独热编码的map逻辑，保持原有批量处理即可：

def df_to_dataset(df, shuffle=True, batch_size=32): 
  df = df.copy()
  labels = df.pop('class')
  ds = tf.data.Dataset.from_tensor_slices((dict(df), labels))
  if shuffle:
    ds = ds.shuffle(buffer_size=len(df))
  ds = ds.batch(batch_size)
  return ds

这种方案代码更简洁，运行效率也更高。

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