使用Keras Tuner调参时logits与labels维度不匹配如何解决？

• 模型输出与标签维度完全不匹配是报错的核心原因：
  1. 类别数不匹配：你当前模型最后一层是Dense(10, activation="softmax")，仅支持10分类任务，但你的标签最后一维是12，对应12个分类。
  2. 结构维度不匹配：你的标签维度是(样本数, 16, 12)，代表每个样本对应16个位置、每个位置12分类，但模型仅输出(batch_size, 10)的二维结果，没有对齐16的位置维度。计算损失时标签被自动展平为一维，长度为batch_size * 16 * 12，和模型输出的batch_size * 10完全无法对齐，因此触发维度报错。
• 额外说明：如果你的任务本身是单样本单分类（非逐位置分类），则是标签预处理错误，多出来的16维度为冗余维度。

根据你的任务类型选择对应修改方案：

方案1：任务为逐位置16个点各12分类（如序列标注、多位置预测） #

调整模型输出结构匹配标签维度：

from tensorflow.keras import layers
from keras_tuner import RandomSearch
import tensorflow.keras as keras

def build_model(hp):
    model = keras.Sequential()
    # 输入维度为(16,)，无需多余Flatten操作
    model.add(layers.Dense(
        units=hp.Int("units", min_value=32, max_value=512, step=32),
        activation="relu",
        input_shape=(16,)
    ))
    # 输出层调整为16*12个神经元，对应16个位置各12分类
    model.add(layers.Dense(16 * 12, activation="softmax"))
    # 重塑形状和标签对齐
    model.add(layers.Reshape((16, 12)))
    model.compile(
        optimizer=keras.optimizers.Adam(
            hp.Choice("learning_rate", values=[1e-2, 1e-3, 1e-4])
        ),
        # 如果标签是整数编码而非one-hot，替换为sparse_categorical_crossentropy
        loss="categorical_crossentropy",
        metrics=["accuracy"],
    )
    return model

调整完成后可先测试单样本输出维度确认匹配：

test_model = build_model(keras_tuner.HyperParameters())
# 输出应为(1, 16, 12)，和单条标签维度完全一致
print(test_model(X_train[:1]).shape)

方案2：任务为单样本单12分类 #

说明你的标签预处理错误，需要先压缩冗余的16维度，将y的维度从(样本数, 16, 12)调整为(样本数, 12)，同时把模型最后一层调整为Dense(12, activation="softmax")即可。

内容的提问来源于stack exchange，提问作者user1506515