Keras使用SparseCategoricalCrossentropy报维度不兼容错误如何处理？

你遇到的报错确实和损失函数无关，是tf.keras.metrics.AUC()的默认配置和你当前的输入格式不匹配导致的：

• 默认初始化的AUC指标适配的是**二分类单输出（最后一层用sigmoid激活输出1个概率值）**的场景，它期望接收的预测值形状为[batch_size, 1]，真实标签形状为[batch_size, ]或[batch_size, 1]。
• 你当前的网络最后一层用softmax激活输出2个类别的概率，预测值形状为[batch_size, 2]，和AUC默认期望的输入形状不匹配，因此触发形状不兼容报错。

提供两种可直接落地的修改方案：

方案1：保持现有网络结构，修改AUC指标配置 #

因为你是二分类场景，softmax输出的第二维（索引为1）对应正类的预测概率，直接提取这一维传入AUC即可匹配形状。可以自定义一个包装后的AUC指标，修改编译时的metrics配置：

# 自定义AUC指标，取softmax输出的正类概率维度
class SparseAUC(tf.keras.metrics.AUC):
    def update_state(self, y_true, y_pred, sample_weight=None):
        # 提取正类预测概率，形状从[batch_size,2]转为[batch_size,]
        y_pred_pos = y_pred[:, 1]
        return super().update_state(y_true, y_pred_pos, sample_weight)

model.compile(
    loss=keras.losses.SparseCategoricalCrossentropy(),
    optimizer=keras.optimizers.Adam(learning_rate=0.001),
    metrics=["accuracy", SparseAUC(name='auc')],
)

如果你使用的是TensorFlow 2.12及以上版本，也可以直接给AUC指定num_classes=2和multi_label=False参数，原生支持多分类softmax输出的AUC计算：

model.compile(
    loss=keras.losses.SparseCategoricalCrossentropy(),
    optimizer=keras.optimizers.Adam(learning_rate=0.001),
    metrics=["accuracy", tf.keras.metrics.AUC(num_classes=2, multi_label=False)],
)

方案2：调整网络结构适配二分类常规实现 #

二分类场景下更常用的实现是最后一层用sigmoid输出单值概率，你可以修改输出层和损失函数，不需要额外调整AUC配置即可正常运行：

# 修改输出层为单输出+sigmoid激活
outputs = layers.Dense(1, activation="sigmoid")(dense3)

model = keras.Model(inputs=inputs, outputs=outputs, name="test_model")

model.compile(
    loss=keras.losses.BinaryCrossentropy(), # 替换为二分类交叉熵损失
    optimizer=keras.optimizers.Adam(learning_rate=0.001),
    metrics=["accuracy", tf.keras.metrics.AUC()], # AUC不需要修改参数
)

内容的提问来源于stack exchange，提问作者Jag