我在尝试使用深度神经网络进行预测时遇到了以下错误：

InvalidArgumentError: logits和labels的第一维必须相同，得到的logits形状为[32,4]，labels形状为[128]

以下是特征的相关信息：

new_features.shape(19973, 8)new_features[0].shape(8,)

以下是标签/输出信息：

output.shape(19973, 4)output[0].shape(4,)

这是Keras的代码：

model = Sequential(  [    Dense(units=8, input_shape=new_features[0].shape, name="layer1"),    Dense(units=1024, activation="relu", name="layer2"),    Dense(units=1024, activation="relu", name="layer3"),    Dense(units=4,  name="layer4", activation="softmax"),  ])model.compile(optimizer='adam', loss='sparse_categorical_crossentropy')model.fit(new_features, output, epochs=2)

特征和标签包含浮点值。

回答：

问题出在你的目标形状上。首先，在分类问题中，你的目标必须是整数类型。

如果你有一维整数编码的目标，你可以使用sparse_categorical_crossentropy作为损失函数

X = np.random.randint(0,10, (1000,100))y = np.random.randint(0,3, 1000)model = Sequential([    Dense(128, input_dim = 100),    Dense(3, activation='softmax'),])model.summary()model.compile(loss='sparse_categorical_crossentropy',optimizer='adam',metrics=['accuracy'])history = model.fit(X, y, epochs=3)

否则，如果你对目标进行了独热编码以获得二维形状(n_samples, n_class)，你可以使用categorical_crossentropy

X = np.random.randint(0,10, (1000,100))y = pd.get_dummies(np.random.randint(0,3, 1000)).valuesmodel = Sequential([    Dense(128, input_dim = 100),    Dense(3, activation='softmax'),])model.summary()model.compile(loss='categorical_crossentropy',optimizer='adam',metrics=['accuracy'])history = model.fit(X, y, epochs=3)