使用tf.confusion_matrix报错：Shape (2,2048,2)必须为2阶张量

这个报错的核心原因很明确：tf.confusion_matrix要求输入的标签和预测结果必须是一维的类别索引数组，但你传入的是shape为(2048, 2)的one-hot编码数组，TensorFlow无法正确解析这种二维格式，才抛出了Shape (2, 2048, 2) must have rank 2的错误。

另外，你原来的代码还有一个逻辑问题：每次循环都会直接覆盖cm变量，最后只能得到最后一个batch的混淆矩阵，而不是整个验证集的结果。

下面是具体的修正方案：

步骤1：将One-Hot数组转换为类别索引 #

不管是验证标签还是模型的预测输出，都需要从one-hot格式（每个样本对应一个长度为类数的向量）转换成一维的类别索引（每个样本对应一个0/1这样的数值）。你可以用np.argmax来完成这个转换（因为你的标签和预测结果都是numpy数组）：

# 将one-hot标签转为类别索引，shape从(2048,2)变为(2048,)
labels_idx = np.argmax(batched_val_labels, axis=1)
# 将模型输出的one-hot预测结果转为类别索引
preds_idx = np.argmax(_p, axis=1)

步骤2：修正混淆矩阵的累加逻辑 #

初始化一个numpy格式的零矩阵来保存总混淆矩阵，每次计算完当前batch的混淆矩阵后，把它累加到总矩阵中，而不是直接覆盖。

完整修正后的代码 #

# 初始化总混淆矩阵为numpy数组，方便批量累加
cm = np.zeros(shape=[2, 2], dtype=np.int32)
batch_size_validation = 2048  # 根据你的实际batch size调整

for i in range(0, validation_data.shape[0], batch_size_validation):
    batched_val_data = np.array(validation_data[i:i+batch_size_validation, :, :], dtype='float')
    batched_val_labels = np.array(validation_labels[i:i+batch_size_validation, :], dtype='float')
    batched_val_data = batched_val_data.reshape((-1, n_chunks, chunk_size))
    
    # 运行会话获取模型输出
    _acc, _c, _p = sess.run([accuracy, correct, pred], feed_dict={x: batched_val_data, y: batched_val_labels})
    
    # 转换为类别索引
    labels_idx = np.argmax(batched_val_labels, axis=1)
    preds_idx = np.argmax(_p, axis=1)
    
    # 计算当前batch的混淆矩阵并转为numpy数组
    batch_cm = sess.run(tf.confusion_matrix(labels=labels_idx, predictions=preds_idx, num_classes=2))
    
    # 累加到总混淆矩阵
    cm += batch_cm

额外说明 #

• tf.confusion_matrix的num_classes参数可以显式指定类别数（这里是2），避免TensorFlow自动推断时出现问题。
• 如果你更习惯用TensorFlow张量来处理，可以把总混淆矩阵初始化为tf变量，然后用tf.assign_add来累加，但在循环中处理batch时，用numpy数组会更直观且不易出错。

内容的提问来源于stack exchange，提问作者H. Senkaya