TensorFlow分类模型标签加载异常，设置3类softmax层报形状不兼容错误

核心问题是标签格式、取值与损失函数要求不匹配，和vectorize_text函数的文本处理逻辑无关：

• 你使用的categorical_crossentropy损失要求标签为独热编码格式（shape为(样本数, 3)），但当前输入的标签是1/2/3的整数，shape为(样本数, 1)，二者维度不匹配触发报错。
• 3分类任务的类别标签需要从0开始取值（0/1/2），当前标签为1/2/3，超出了输出层的索引范围，即使维度匹配也会出现计算错误。

有两种可直接落地的修复方案，推荐选择方案1，改动最小：

方案1：替换损失函数+修正标签取值 #

1. 修正标签取值，在生成df_train_bogus后添加一行代码，将标签转为0/1/2：

df_train_bogus['labels'] = df_train_bogus['labels'] - 1

2. 替换模型编译时的损失函数为sparse_categorical_crossentropy，该损失原生支持整数标签，无需做独热编码：

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

方案2：保持原损失函数，对标签做独热编码 #

如果需要保留categorical_crossentropy，可对标签做独热转换适配：

1. 同样先执行标签减1操作，修正取值范围为0/1/2
2. 修改vectorize_text函数，对标签做独热编码：

def vectorize_text(text, labels):
  text = tf.expand_dims(text, -1)
  labels = tf.one_hot(labels, depth=3)
  return vectorize_layer(text), labels

内容的提问来源于stack exchange，提问作者Yossi