TensorFlow二分类LSTM训练出现logits与labels形状不匹配报错如何解决？

你遇到的报错和配置错误来自三个核心问题：

1. 标签格式错误：二分类任务每个样本仅需对应1个类别标签，你当前生成的label维度是(1000, 10)，相当于每个样本强行对应10个输出值，和模型最终输出维度不匹配
2. 参数混淆：你把样本数量DATASIZE=1000错误填入了Embedding层的input_length参数，input_length指的是单条输入序列的长度，你当前测试的单条向量长度是10，完全不匹配
3. 输出层与损失函数的搭配和任务不匹配：二分类任务不需要强行让输出维度和输入序列长度对齐

1. 基础修正（可直接跑通测试代码） #

修正逻辑： #

• 调整标签维度为(样本数, 1)，每个样本对应1个0/1的二分类标签
• 修正Embedding层的input_length参数为实际单条序列的长度
• 输出层调整为匹配二分类任务的配置

修正后代码： #

#!/usr/bin/env python3

import tensorflow as tf
import numpy as np
from keras.layers import Dense, Embedding, LSTM, SpatialDropout1D
from keras.models import Sequential
from tensorflow.keras.preprocessing.sequence import pad_sequences

# 样本数量
SAMPLE_COUNT = 1000
# 单条序列的最大长度，测试用当前的10，实际使用时可以设为数据集中最长序列的长度
MAX_SEQ_LEN = 10

model = Sequential()
# 此处input_length设为最大序列长度，也可以填None支持变长输入（但实际训练还是需要对齐长度）
model.add(Embedding(1000, 120, input_length = MAX_SEQ_LEN))
model.add(SpatialDropout1D(0.4))
model.add(LSTM(176, dropout=0.2, recurrent_dropout=0.2))
# 二分类用1个神经元+sigmoid激活，对应0/1标签
model.add(Dense(1,activation='sigmoid'))
model.compile(loss = 'binary_crossentropy', optimizer='adam', metrics = ['accuracy'])
print(model.summary())

# 生成测试用训练数据，维度是(样本数, 序列长度)
training = np.random.randint(0, 1000, size=(SAMPLE_COUNT, MAX_SEQ_LEN))
# 生成测试用标签，维度是(样本数, 1)，值为0或1
label = np.random.randint(0, 2, size=(SAMPLE_COUNT, 1))

model.fit(training, label, epochs = 5, batch_size=32, verbose = 'auto')

2. 变长输入适配方案 #

实际数据集序列长度不固定的场景，按以下步骤处理：

• 先统计训练集中所有序列的最大长度，设置为MAX_SEQ_LEN
• 用pad_sequences工具将所有序列统一补全/截断到MAX_SEQ_LEN长度，短序列补0，长序列截断
• 模型的input_length参数设置为MAX_SEQ_LEN即可，训练和预测时都要先做长度对齐处理

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