TensorFlow 2多标签分类训练报ValueError：logits与标签形状不匹配

• 任务目标：基于TensorFlow 2搭建神经网络，实现多标签分类——同时预测n类故障原因、每类故障对应的m种严重程度
• 简化参数设定：2类故障原因、每类原因对应2种严重程度，共4个网络输出，匹配4个输入特征
• 已做的多标签适配：输出层使用sigmoid激活函数，损失函数选用binary_crossentropy（为多标签分类任务的常规配置）
• 已知张量尺寸：X_train.shape为(1144, 4)，y_train.shape为(1144,)
• 训练时抛出报错：ValueError: logits and labels must have the same shape ((None, 4) vs (None, 1))

模型输出与传入标签的张量维度完全不匹配：

• 网络最终输出的是形状为(batch_size, 4)的二维张量（batch_size维度在训练时动态计算，记为None）
• 传入的y_train是长度为1144的一维数组，没有对应4个输出位的标签维度，被框架自动广播为(batch_size, 1)的形状，无法和输出张量完成逐位损失计算，触发形状校验报错
• 格式问题：当前标签格式完全不符合多标签分类的要求——多标签场景下，单条样本的标签需要和网络输出维度一一对应，是长度为4的0/1向量，而非单个数值的标签

1. 重构标签格式，匹配输出维度
   • 按照业务逻辑将原始标签转换为形状为(样本数, 4)的二维0/1矩阵：每一行对应一条训练样本，每行的4个取值分别对应4个输出位的命中状态（1为命中该标签，0为未命中）
   • 标签映射可按业务规则拆分：前2位对应2类故障原因的命中状态，后2位对应对应故障的严重程度命中状态
2. 训练前增加形状校验
   • 确认调整完成的y_train形状为(1144, 4)，和模型输出的动态形状(None, 4)完全对齐，可通过以下代码提前拦截形状错误：

   assert y_train.shape == (X_train.shape[0], 4), f"标签形状不匹配，预期为{(X_train.shape[0], 4)}，实际为{y_train.shape}"
   

3. 适配多标签场景的评估指标
   • 原代码中配置的metrics=['accuracy']为单分类场景的准确率计算逻辑，在多标签场景下评估偏差较大，可替换为tf.keras.metrics.BinaryAccuracy，实现逐输出位的准确率计算

内容的提问来源于stack exchange，提问作者nad