训练2D输出的ANN时出现形状不兼容InvalidArgumentError如何解决？

该报错是模型输出维度和标签维度不匹配导致：

• 你的目标集y_trn维度为(样本数, 3)，每个样本对应1个长度为3的一维向量
• 当前模型最终输出维度为(样本数, 3, 3)：你添加的RepeatVector(3)层会把前序输出的(batch_size,1)张量扩展为(batch_size,3,1)，再经过TimeDistributed(Dense(3))处理后，输出维度就变成了(batch_size,3,3)，和标签维度无法匹配，计算损失时触发维度错误。

根据你的实际需求二选一即可：

方案1：输出与目标集匹配的一维向量（适用于3分类/多标签分类场景） #

完全删掉RepeatVector和TimeDistributed相关层，直接将输出层单元数设置为3即可，修正后的代码示例：

num_outputs = 3

ann = tf.keras.models.Sequential()
# 输入层指定特征维度为5
ann.add(tf.keras.layers.Dense(units=8,activation="relu", input_shape=(5,)))
ann.add(tf.keras.layers.Dropout(0.2))
ann.add(tf.keras.layers.Dense(units=64,activation="relu"))
ann.add(tf.keras.layers.Dense(units=8,activation="relu"))

# 按需选择输出层配置：
# 配置1：3个类别互斥的单分类任务，用softmax激活+交叉熵损失
ann.add(tf.keras.layers.Dense(units=num_outputs, activation="softmax"))
ann.compile(optimizer='adam',loss = 'categorical_crossentropy',metrics=['accuracy'])

# 配置2：3个标签独立的多标签分类任务，用sigmoid激活+二分类交叉熵损失
# ann.add(tf.keras.layers.Dense(units=num_outputs, activation="sigmoid"))
# ann.compile(optimizer='adam',loss = 'binary_crossentropy',metrics=['accuracy'])

ann_history=ann.fit(X_trn, y_trn, batch_size = 25, epochs = 100)

方案2：保留二维输出逻辑 #

如果你的业务确实需要模型输出(样本数, 3, 3)的二维张量，需要提前把目标集y_trn的维度调整为(5996, 3, 3)，和模型输出维度对齐后再训练。

内容的提问来源于stack exchange，提问作者Pegah Yaftian