TensorFlow Estimator设置n_classes=10却被识别为1的报错问题

嘿，我一眼就看出问题出在哪了——你用了one_hot=True加载MNIST数据，但DNNClassifier默认不识别这种格式的标签！

问题根源 #

你设置了n_classes=10没错，但加载数据时one_hot=True会把标签转换成10维的one-hot编码数组（比如数字5对应[0,0,0,0,0,1,0,0,0,0]）。而DNNClassifier默认期望的是单维的整数标签（比如数字5直接用5表示）。这种格式不匹配，就导致Estimator错误地判断你要做的是二分类（n_classes=1），从而抛出那个报错。

两种快速解决方法 #

方法1：把one-hot标签转成整数标签

只需要在每次获取标签后，用np.argmax()把10维的one-hot数组转换成对应的整数索引就行：

修改训练循环里的代码：

for i in range(100000):
    xdata, ydata = mnist.train.next_batch(500)
    # 关键：将one-hot标签转换为整数标签
    ydata = np.argmax(ydata, axis=1)
    train_input_fn = tf.estimator.inputs.numpy_input_fn(
        x={"x":xdata}, y=ydata, num_epochs=None, shuffle=True)
    classifier.train(input_fn=train_input_fn, steps=2000)

测试部分也要同步修改：

test_input_fn = tf.estimator.inputs.numpy_input_fn(
    x= {"x":mnist.test.images}, 
    y= np.argmax(mnist.test.labels, axis=1),  # 同样转换测试标签
    num_epochs=1, shuffle=False)

方法2：让Estimator支持one-hot标签

如果你不想修改标签格式，可以在创建DNNClassifier时添加multi_class=True参数，明确告诉它要处理多分类的one-hot标签：

classifier = tf.estimator.DNNClassifier(
    feature_columns=feature_columns, 
    hidden_units=[500, 500, 500], 
    n_classes=10, 
    model_dir="/tmp/MT",
    multi_class=True  # 添加这个参数开启one-hot标签支持
)

额外小提醒 #

• 你的训练循环for i in range(100000)每次都跑2000步，总步数会达到20亿，完全没必要，建议把循环次数调小（比如range(10)）或者把steps改成1，避免训练时间过长。
• 如果之前运行过代码，/tmp/MT目录里会残留旧的模型参数，可能导致奇怪的冲突，建议先删除这个目录再重新运行。

内容的提问来源于stack exchange，提问作者5Volts