TensorFlow搭建多任务神经网络训练时形状不兼容错误求解

问题根源 #

你触发报错的核心原因是没有为不同任务类型的输出分别指定匹配的评估指标：
你在model.compile()中直接将通用的二分类指标列表METRICS传给了所有输出，而TruePositives、Precision这类二分类指标默认输入为1维的二分类标签/预测结果，当框架自动将这类指标应用到10分类的output2、12分类的output3时，就会出现形状不匹配的报错。
额外需要确认标签格式是否匹配损失函数：output2、output3使用的categorical_crossentropy损失要求对应标签是one-hot编码格式，形状分别为(样本数,10)、(样本数,12)，如果你的标签是整数形式的类别编码，需要更换对应损失。

模型架构 #

可行解决方案 #

1. 为不同输出单独配置评估指标 #

按输出名称分别配置适配任务类型的指标，修改编译代码如下：

# 仅适用于output1二分类任务的指标
binary_metrics = [
    tf.keras.metrics.TruePositives(name='TP'),
    tf.keras.metrics.FalsePositives(name='FP'),
    tf.keras.metrics.TrueNegatives(name='TN'),
    tf.keras.metrics.FalseNegatives(name='FN'),
    tf.keras.metrics.Precision(name='precision'),
    tf.keras.metrics.Recall(name='recall'),
    tf.keras.metrics.AUC(curve='PR', name='PR-AUC')
]
# 适用于多分类任务的指标，可根据需求单独调整
multi_metrics_10 = [tf.keras.metrics.CategoricalAccuracy(name='acc')]
multi_metrics_12 = [tf.keras.metrics.CategoricalAccuracy(name='acc')]

model.compile(
    loss={"output1": 'binary_crossentropy',
          "output2": 'categorical_crossentropy',
          "output3": 'categorical_crossentropy'},
    optimizer=tf.keras.optimizers.Adam(learning_rate=.01), 
    # 按输出名对应指定指标
    metrics={
        "output1": binary_metrics,
        "output2": multi_metrics_10,
        "output3": multi_metrics_12
    },
    loss_weights = {"output1":1, "output2":1e-1, "output3":1e-1}
)

2. 核对标签与损失的匹配性 #

• 若y2_train、y3_train是形状为(样本数,)的整数类别标签，将对应损失替换为sparse_categorical_crossentropy即可，无需额外做one-hot编码。
• 若坚持使用categorical_crossentropy，确认标签已经完成one-hot编码，形状符合输出维度要求。

3. 可选优化：明确输出与标签的对应关系 #

为避免顺序对应错误，可在训练时用字典形式传入标签：

model.fit(
    X_train, 
    {"output1": y1_train, "output2": y2_train, "output3": y3_train}, 
    batch_size=20, 
    epochs=10, 
    verbose=0
)

内容的提问来源于stack exchange，提问作者el abed houssem