这个错误的根源很明确：你的模型输出形状和目标标签的形状完全不匹配，导致训练时无法对齐计算损失。

问题拆解 #

• 你的目标标签y_train是(6000,3)的独热编码，对应3个分类类别；
• 但你定义的最后一层是Dense(1, input_shape=(3,), activation="softmax")，输出形状是(None,1)，和目标的(None,3)完全对不上，这就是报错的直接原因；
• 另外补充一点：单神经元用softmax激活本身没有意义——softmax会把输出归一化到总和为1，单个神经元的输出永远是1，根本无法区分多个类别。

两种修正方案 #

方案1：保持独热编码标签，调整模型输出层

既然你的标签是3维独热编码，模型输出层的神经元数量必须等于类别数（也就是3），同时搭配对应的损失函数：

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
from tensorflow.keras.optimizers import Adam

model = Sequential()
# 输出层设为3个神经元，对应3个类别
model.add(Dense(3, input_shape=(3,), activation="softmax"))
# 使用categorical_crossentropy匹配独热编码标签
model.compile(optimizer=Adam(learning_rate=0.001), 
              loss='categorical_crossentropy', 
              metrics=['accuracy'])

方案2：将独热编码转回整数标签，使用稀疏损失函数

如果你不想用独热编码，可以把标签转成单个整数（比如[0,1,2,0,0,2]），然后用sparse_categorical_crossentropy作为损失函数（模型输出层依然需要3个神经元）：

import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
from tensorflow.keras.optimizers import Adam

# 把独热编码转回整数标签
y_train_int = np.argmax(y_train, axis=1)
y_test_int = np.argmax(y_test, axis=1)

model = Sequential()
model.add(Dense(3, input_shape=(3,), activation="softmax"))
# 使用sparse_categorical_crossentropy匹配整数标签
model.compile(optimizer=Adam(learning_rate=0.001), 
              loss='sparse_categorical_crossentropy', 
              metrics=['accuracy'])

关键总结 #

多分类任务中：

• 输出层神经元数量必须等于你的类别总数；
• 损失函数要和标签格式对应：独热编码用categorical_crossentropy，整数标签用sparse_categorical_crossentropy。

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