TensorFlow中logits与labels形状不匹配问题求助

核心错误拆解 #

先看你抛出的关键错误：

ValueError: Shape mismatch: The shape of labels (received (100,)) should equal the shape of logits except for the last dimension (received (300, 10)).

这个错误指向两个核心问题：标签的批次维度是100，但模型输出的logits批次维度变成了300；同时logits的最后维度是10，和你的二分类任务不匹配。下面逐个解答你的疑问：

1. 送入100个标签的批次有问题吗？ #

批次大小设为100本身完全没问题，问题出在模型的中间处理环节——某个层的参数设置错误，把输入的100个样本的批次维度意外改成了300，导致和标签的100维度无法对齐。

2. 数据集样本数非batch_size整数倍是根源吗？ #

绝对不是！TensorFlow的tf.estimator会自动处理最后一个不足批次的样本，不会引发这种形状不匹配的错误，这个可以直接排除。

3. 二分类任务是否需要把units=10改成2？ #

必须改！ 你是二分类任务（仅区分0和1），输出层的units应该设为2，对应两个类别的预测概率。你现在设成10是给10分类任务用的，这直接导致logits最后维度和二分类的标签逻辑不匹配，再加上前面的批次维度错误，就触发了这个报错。

具体修复步骤 #

• 修正输出层单元数：把代码里的

  logits = tf.layers.dense(inputs=dropout, units=10)
  

  改成

  logits = tf.layers.dense(inputs=dropout, units=2)
  

• 排查模型中间层的形状变化：在卷积、池化等每一层之后，添加print(tf.shape(你的张量名))，或者用TensorBoard可视化张量形状，找到哪个环节把输入的100批次维度改成了300——大概率是某层的步长、padding参数设置错误，导致样本数量意外膨胀。
• 验证损失函数适配性：你用的tf.losses.sparse_softmax_cross_entropy在二分类场景是适用的（因为你的标签是整数0/1），修正units为2后，logits形状会变成(100,2)，和标签的(100,)完全匹配，形状问题就解决了。

额外优化建议 #

如果想简化二分类的实现，也可以把输出层units设为1，然后改用tf.losses.sigmoid_cross_entropy损失函数，这时候需要把标签的形状从(100,)扩展成(100,1)（用tf.expand_dims(labels, axis=-1)），两种方式都能正常工作，看你个人习惯选择。

内容的提问来源于stack exchange，提问作者xmacz