训练输入64×64的简单CNN时，sparse_softmax_cross_entropy维度报错求解

这个报错的核心原因其实很明确——你对sparse_softmax_cross_entropy_with_logits的输入要求理解有一点偏差，咱们一步步拆解：

先明确函数的输入规则 #

sparse_softmax_cross_entropy_with_logits专门用来处理类别索引形式的标签，它对输入的形状要求是：

• logits：形状为(batch_size, num_classes)，你的模型最后输出(?, 2)完全符合这个要求，没问题。
• labels：必须是一维张量，形状为(batch_size,)，每个元素是对应类别的索引（比如你的二分类任务里，标签值只能是0或1）。

你大概率遇到的两种情况 #

根据你的描述，模型输出形状没问题，那问题肯定出在labels的形状上：

1. 标签是one-hot编码形式
   如果你的labels形状是(?, 2)（比如用tf.one_hot处理过），那这就和sparse版本的函数冲突了——它不需要one-hot标签，直接用类别索引就行。这时候你有两个选择：

   • 换成普通的tf.nn.softmax_cross_entropy_with_logits来适配one-hot标签；
   • 把one-hot标签转成类别索引，比如用labels = tf.argmax(your_one_hot_labels, axis=1)。

2. 标签带了额外的维度
   有时候从数据集中读取标签时，会不小心得到(?, 1)这样的二维张量（比如数据格式的问题），这时候也会触发“第一维度不一致”的报错。解决方法很简单，把多余的维度去掉：

   # 方法1：压缩指定维度
   labels = tf.squeeze(labels, axis=1)
   # 方法2：重塑成一维
   labels = tf.reshape(labels, [-1])
   

验证方法 #

你可以先打印一下labels的形状，确认问题所在：

print("Labels shape:", labels.shape)

处理后再检查，只要labels的形状是(?,)，和logits的第一维度（batch_size）一致，就能正常计算损失了。

内容的提问来源于stack exchange，提问作者coma