Keras使用Sparse Categorical CrossEntropy出现形状不兼容问题

报错原因 #

你遇到的形状不匹配问题和SparseCategoricalCrossentropy损失本身无关，问题出在编译时引入的Precision和Recall指标：

1. 当label_mode='int'时，数据集输出的标签是形状为(batch_size,)的整数（对应三分类的0/1/2标签），而模型输出的预测结果是形状为(batch_size, 3)的概率分布。
2. TensorFlow内置的Precision、Recall指标默认适配二分类场景，且无法直接处理稀疏整数格式的多分类标签，计算指标时会尝试把形状为(batch_size, 1)的标签和(batch_size,3)的预测结果做运算，直接触发维度不匹配报错。
3. 你切换到categorical标签模式+CategoricalCrossentropy后，标签会被自动转成one-hot格式的(batch_size,3)张量，和预测结果形状匹配，所以指标可以正常计算。

修复方案（保留SparseCategoricalCrossentropy的前提下） #

你只需要修改Precision和Recall的初始化参数，指定为多分类模式即可：

def compile_model(model, plot=False):
  model.compile(
    optimizer=tf.optimizers.Adam(1e-3),
    loss=tf.losses.SparseCategoricalCrossentropy(name='loss'),
    metrics=[
      tfk.metrics.SparseCategoricalAccuracy(name='accuracy'), 
      # 修改Precision、Recall参数适配多分类稀疏标签
      tfk.metrics.Precision(name='precision', average='macro', num_classes=len(CLASS_NAMES)), 
      tfk.metrics.Recall(name='recall', average='macro', num_classes=len(CLASS_NAMES)), 
    ]
  )

  model.summary()
  if plot: tfk.utils.plot_model(model, show_shapes=True)

参数说明：

• num_classes：明确指定分类数为3，匹配你的三分类任务
• average：指定多分类下的指标计算方式，可选macro（各类别指标算术平均，对小类别样本公平）、micro（全局统计TP/FP/FN计算指标）、weighted（按各类别样本数加权平均），可根据你的数据集类别分布选择。

如果修改指标参数后仍报错，可在加载数据集后增加一步维度压缩处理，消除标签的多余维度：

def squeeze_label(image, label):
    return image, tf.squeeze(label)

train_ds = train_ds.map(squeeze_label)
val_ds = val_ds.map(squeeze_label)

内容的提问来源于stack exchange，提问作者user12205212