Keras训练多分类MLP报错：输出形状不匹配问题求助

这个报错expected activation_3 to have shape (None, 3) but got array with shape (5708, 1)的核心原因是你的模型输出形状和训练标签的形状不匹配，结合你的代码和数据情况，我给你两种直接可行的解决方案：

问题根源拆解 #

你的模型最后一层定义了Dense(num_classes)（这里num_classes=3），所以模型的输出是一个形状为(样本数, 3)的二维张量（对应3个类别的概率分布）；但你的y_train是形状为(5708,)的一维数组，每个元素是0/1/2这样的类别索引。Keras在默认的多分类损失函数下，会期望标签形状和模型输出形状一致，因此出现了形状不匹配的报错。

解决方案1：使用稀疏分类交叉熵（无需修改标签） #

这种方法不需要对标签做任何预处理，只需要补全模型最后一层的激活函数，并在编译时使用对应的稀疏损失函数：

from keras.models import Sequential
from keras.layers import Dense, Activation, Dropout

# 定义参数
num_classes = 3
shape = x_train[0].shape  # (300,)

# 完整构建模型
model = Sequential()
model.add(Dense(32, input_shape=shape))
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(16))
model.add(Activation('relu'))
model.add(Dense(num_classes))
model.add(Activation('softmax'))  # 多分类必须用softmax激活，补全这一行

# 编译模型时使用稀疏分类损失
model.compile(
    optimizer='adam',
    loss='sparse_categorical_crossentropy',  # 专门适配一维类别索引的损失
    metrics=['accuracy']
)

# 直接训练即可
model.fit(x_train, y_train, epochs=10, batch_size=32)

解决方案2：对标签做独热编码（使用普通分类交叉熵） #

如果你更习惯使用categorical_crossentropy损失函数，可以把一维的类别索引转化为二维的独热编码数组：

from keras.models import Sequential
from keras.layers import Dense, Activation, Dropout
from keras.utils import to_categorical

# 定义参数
num_classes = 3
shape = x_train[0].shape  # (300,)

# 对y_train做独热编码，形状从(5708,)转为(5708, 3)
y_train_onehot = to_categorical(y_train, num_classes=num_classes)

# 构建模型（同样需要补全softmax激活）
model = Sequential()
model.add(Dense(32, input_shape=shape))
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(16))
model.add(Activation('relu'))
model.add(Dense(num_classes))
model.add(Activation('softmax'))

# 编译时使用普通分类损失
model.compile(
    optimizer='adam',
    loss='categorical_crossentropy',
    metrics=['accuracy']
)

# 传入独热编码后的标签训练
model.fit(x_train, y_train_onehot, epochs=10, batch_size=32)

关键注意点 #

• 多分类任务中，模型最后一层的激活函数必须是softmax，它会将模型的原始输出转换为每个类别的概率值，确保和损失函数的计算逻辑匹配。
• 两种方案二选一即可，推荐方案1，因为它不需要额外处理标签，代码更简洁高效。

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