Keras多分类任务中AUC指标报错问题排查

核心错误点 #

• from_logits参数矛盾：模型最后一层使用了softmax激活（输出概率分布），但你在损失函数SparseCategoricalCrossentropy和AUC指标中都设置了from_logits=True，这会导致指标错误解析输入张量的形状，引发维度不匹配报错。
• 多分类AUC配置缺失：多分类场景下未指定num_classes参数，Keras的AUC默认按二分类逻辑处理，无法适配多分类的输出张量。

修正方案 #

方案1：保留softmax激活，修正from_logits参数

修改模型编译代码，将损失函数和AUC的from_logits设为False，同时给AUC指定num_classes：

model.compile(
  optimizer='adam',
  loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
  metrics=['accuracy',
           keras.metrics.AUC(curve="ROC",
                             multi_label=False,
                             num_classes=num_classes,
                             from_logits=False)]
)

方案2：移除softmax，使用logits输出

如果想保持from_logits=True，需要去掉模型最后一层的softmax激活，直接输出logits：

# 修改模型最后一层
model = tf.keras.Sequential([
  tf.keras.layers.Rescaling(1./255),
  tf.keras.layers.Conv2D(32, 3, activation='relu'),
  tf.keras.layers.MaxPooling2D(),
  tf.keras.layers.Dropout(dropout_rate),
  tf.keras.layers.Conv2D(32, 3, activation='relu'),
  tf.keras.layers.MaxPooling2D(),
  tf.keras.layers.Dropout(dropout_rate),
  tf.keras.layers.Conv2D(32, 3, activation='relu'),
  tf.keras.layers.MaxPooling2D(),
  tf.keras.layers.Dropout(dropout_rate),
  tf.keras.layers.Flatten(),
  tf.keras.layers.Dense(num_classes)  # 移除activation="softmax"
])

# 编译时保持from_logits=True，同时指定num_classes
model.compile(
  optimizer='adam',
  loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
  metrics=['accuracy',
           keras.metrics.AUC(curve="ROC",
                             multi_label=False,
                             num_classes=num_classes,
                             from_logits=True)]
)

错误原因说明 #

报错中的data.shape = [32]和segment_ids.shape = [128]是因为from_logits=True时，AUC会期望输入是未经过激活的logits张量，但实际输入是softmax后的概率张量，两者维度处理逻辑冲突，导致张量形状不匹配。调整参数后，指标能正确识别输入的多分类概率/logits张量，完成AUC计算。

内容的提问来源于stack exchange，提问作者Imran Khakoo