5分类文本序列训练报错：目标数组形状(32,124403)与输出(None,5)不匹配

• 核心问题为传入模型的标签形状与模型输出形状不匹配：你搭建的5分类模型最终输出维度是(batch_size, 5)，对应每个样本属于5个类别的概率；但报错显示你传入的标签形状为(32, 124403)，二者维度完全不符。
• 124403是你设置的词汇表大小num_unique_words，说明你错误地把文本输入的词序列当成了分类标签传入模型。
• 你调用model.fit的参数逻辑存在问题：标准model.fit的前两个入参分别是输入特征x和对应标签y，你仅传入train_sequence作为第一个参数，要么是漏传了标签参数，要么是你构造的train_sequence数据集本身存在输入、标签顺序颠倒，或标签赋值错误的问题。

• 第一步：整理正确的分类标签：每个样本对应一个5维的one-hot编码（适配你当前使用的categorical_crossentropy损失），标签整体形状应为(总样本数, 5)，单batch标签形状为(32, 5)。
• 第二步：修正model.fit的传参逻辑：
  • 若你是手动拆分的输入和标签，将调用写法改为model.fit(x=train_x, y=train_y, ...)，其中train_x是训练文本序列，train_y是对应的5分类标签。
  • 若你是用tf.data.Dataset构造的数据集，检查数据集构造逻辑，保证每次迭代返回的是(输入序列, 5维标签)的元组，不要把输入序列当成标签返回。
• 可选简化方案：如果你的标签是0~4的整数类别编码，不想做one-hot转换，可以直接修改损失函数为sparse_categorical_crossentropy，无需调整模型结构，仅修改compile代码即可：

model.compile(loss='sparse_categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])

调整后标签形状仅需为(样本数,)或(batch_size,)即可，无需额外做one-hot编码。

内容的提问来源于stack exchange，提问作者kareem20