TensorFlow使用sklearn鸢尾花数据集训练时维度不匹配报错ValueError

错误与sklearn导入的鸢尾花数据集格式无关，你的网络结构、损失函数SparseCategoricalCrossentropy的选择已经适配sklearn输出的整数格式标签，问题出在Precision指标的默认配置仅适配二分类场景，无法匹配多分类任务的输出维度。
你当前是3分类任务，模型输出维度为(None, 3)，而默认配置的Precision指标期望接收二分类的(None, 1)维度输出，因此触发维度不兼容报错。

有两种可行修改方式，按需选择即可：

• 方案1：不需要统计Precision指标，直接移除编译参数中的precision项
  修改后的compile代码如下：

  model_1.compile(loss=tf.keras.losses.SparseCategoricalCrossentropy(),
                   optimizer=tf.keras.optimizers.Adam(),
                   metrics=["accuracy"])
  

• 方案2：需要保留Precision指标，初始化时指定多分类配置
  首先在创建Precision指标时指定分类数和平均规则，再传入compile参数：

  # 初始化多分类Precision，average可选值为macro/micro/weighted，可根据评估需求调整
  multi_precision = tf.keras.metrics.Precision(num_classes=3, average='macro', name='precision')
  # 编译模型
  model_1.compile(loss=tf.keras.losses.SparseCategoricalCrossentropy(),
                   optimizer=tf.keras.optimizers.Adam(),
                   metrics=["accuracy", multi_precision])
  

两种方案修改后都可以正常适配sklearn导入的鸢尾花数据集完成训练。

内容的提问来源于stack exchange，提问作者JLuu