1D CNN多分类训练报ValueError: Can not squeeze dim[1]错误如何解决

该错误核心是标签张量的形状和模型输出张量的形状不匹配，具体触发点有两个：

• 你的标签y_train、y_test被处理为(样本数, 8, 1)的三维结构，但模型最后一层用softmax输出的是(样本数, 8)的二维张量，使用categorical_crossentropy损失时，Keras会自动尝试挤压多余维度，维度匹配逻辑冲突触发报错。
• 后续调用predict_classes得到的预测结果是形状为(样本数,)的类别索引序列，和三维结构的真实标签无法匹配计算分类指标，也会触发同类维度错误。

按顺序执行以下两步修改即可：

1. 调整标签形状，去掉多余的最后一维
   修改你原有的标签reshape代码，删除最后一维的定义：

# 原有错误代码
# y_train= y_train.reshape(12279,8,1)
# y_test=y_test.reshape(6049,8,1)
# 替换为以下代码
y_train = y_train.reshape(12279, 8)
y_test = y_test.reshape(6049, 8)

如果不想修改reshape逻辑，也可以直接调用squeeze方法删除最后一维：

y_train = y_train.squeeze(axis=-1)
y_test = y_test.squeeze(axis=-1)

2. 调整分类指标计算逻辑
   因为你的标签是独热编码格式，而predict_classes输出的是类别索引，需要先把真实标签转换为类别索引再计算指标：

# 原有错误代码
# recall = recall_score(y_test, y_pred, average='macro')
# precision = precision_score(y_test, y_pred, average='macro')
# f1 = f1_score(y_test, y_pred, average='macro')
# 替换为以下代码
y_true = np.argmax(y_test, axis=1)
recall = recall_score(y_true, y_pred, average='macro')
precision = precision_score(y_true, y_pred, average='macro')
f1 = f1_score(y_true, y_pred, average='macro')

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