使用keras_tuner的RandomSearch时logits与labels维度不匹配如何解决

1. 损失函数与标签格式不匹配
   你已经通过to_categorical()将标签转换为one-hot编码格式，单样本标签形状为(15,)，但模型编译时使用的sparse_categorical_crossentropy损失函数仅支持整数格式的标签，单样本标签形状应为标量。格式不匹配导致框架将one-hot标签直接展平计算，batch为32时，logits第一维是32，标签展平后长度为32*15=480，和报错信息完全吻合。
2. build_model函数存在逻辑错误
   函数中第一次return model之后的所有代码都不会执行，重复编写的model.compile和model.summary属于无效冗余代码，同时提前返回也会导致你写的第二次编译配置完全不生效。

二选一即可：

方案A：适配one-hot标签修改损失函数 #

将模型编译时的损失函数替换为适配one-hot编码的categorical_crossentropy，同时清理build_model的冗余逻辑，修改后的函数如下：

def build_model(hp):
    model = keras.Sequential([
        keras.layers.Conv2D(
            filters=hp.Int('conv_1_filter', min_value=32, max_value=128, step=20),
            kernel_size=hp.Choice('conv_1_kernel', values=[3, 5]),
            activation='relu',
            input_shape=(50, 50, 3)
        ),
        keras.layers.Conv2D(
            filters=hp.Int('conv_2_filter', min_value=32, max_value=64, step=20),
            kernel_size=hp.Choice('conv_2_kernel', values=[3, 5]),
            activation='relu'
        ),
        keras.layers.Flatten(),
        keras.layers.Dense(
            units=hp.Int('dense_1_units', min_value=32, max_value=128, step=20),
            activation='relu'
        ),
        keras.layers.Dense(15, activation='softmax')
    ])

    model.compile(optimizer=keras.optimizers.Adam(hp.Choice('learning_rate', values=[1e-2, 1e-3])),
                  loss='categorical_crossentropy',
                  metrics=['accuracy'])
    model.summary()
    return model

方案B：保留稀疏损失修改标签格式 #

删除代码中y = to_categorical(y)这一行，保留LabelEncoder输出的整数格式标签，同时同样清理build_model函数的冗余逻辑即可。

内容的提问来源于stack exchange，提问作者T. Elhassan