TensorFlow搭建多分类模型时targets shape维度不匹配错误原因排查

• 核心问题是模型输出形状与标签形状不匹配。你的输入X_train是(样本数, 5, 5)的三维结构，Dense层默认仅对张量的最后一个维度做计算，不会改变前面的维度。
• 你搭建的网络未对输入的第二维度（也就是5这个维度）做压缩处理，经过全连接层逐层计算后，最终输出形状为(None, 5, 4)，但你的one-hot标签形状是(None, 4)，维度对不上触发报错。

根据业务场景选以下两种方案即可：

方案1（适用90%以上单标签多分类场景） #

如果你的输入(5,5)是单样本的全部特征，不需要保留第二维度的时序/空间属性，直接在输入层后加Flatten层把三维输入压平成二维即可，修改后的模型代码如下：

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Dropout, Flatten

model = Sequential()
# 新增Flatten层压平维度
model.add(Flatten(input_shape=(X_train.shape[1], X_train.shape[2],)))
model.add(Dense(64, activation='relu'))
model.add(Dense(32, activation='relu'))
model.add(Dense(y_train.shape[1], activation='softmax'))

model.compile(optimizer = 'adam', loss='categorical_crossentropy', metrics=['accuracy'])
model.fit(X_train, y_train, epochs=5, batch_size=32, verbose=1, validation_data=(X_test, y_test))

修改后模型输出形状为(None, 4)，和标签形状完全匹配，可正常运行。

方案2（适用多时间步分类场景） #

如果你是做序列类任务，需要每个时间步都输出分类结果，那需要调整标签形状，将y_train、y_test扩展为(样本数, 5, 4)的三维结构，和模型输出形状对齐即可。

内容的提问来源于stack exchange，提问作者Kyv