我尝试使用TensorFlow估计器来处理MNIST数据集。不知为何，它一直显示我的n_classes被设置为1，尽管实际上我设置的是10！

import tensorflow as tfimport numpy as npfrom tensorflow.examples.tutorials.mnist import input_datamnist = input_data.read_data_sets("MNIST_data/",one_hot=True)feature_columns = [tf.feature_column.numeric_column("x", shape=[784])]# 构建一个具有10、20、10个单元的3层DNN。classifier = tf.estimator.DNNClassifier(feature_columns=feature_columns,                                        hidden_units=[500, 500, 500],                                        n_classes=10,                                        model_dir="/tmp/MT")for i in range(100000):    xdata, ydata = mnist.train.next_batch(500)    train_input_fn = tf.estimator.inputs.numpy_input_fn(        x={"x":xdata},        y=ydata,        num_epochs=None,        shuffle=True)    classifier.train(input_fn=train_input_fn, steps=2000)# 定义测试输入test_input_fn = tf.estimator.inputs.numpy_input_fn(    x= {"x":mnist.test.images},    y= mnist.test.labels,    num_epochs=1,    shuffle=False)# 评估准确率accuracy_score = classifier.evaluate(input_fn=test_input_fn)["accuracy"]print("\n测试准确率: {0:f}\n".format(accuracy_score))

错误:

ValueError: 标签形状不匹配。分类器配置为n_classes=1。收到的却是10。建议修复：检查您传递给估计器的n_classes参数和/或标签的形状。程序以退出码1结束

回答：

这是一个好问题。tf.estimator.DNNClassifier使用的是tf.losses.sparse_softmax_cross_entropy损失，换句话说，它期望使用序数编码，而不是独热编码（文档中没有找到相关说明，只能在源代码中找到）：

labels必须是一个密集的Tensor，其形状与logits匹配，即[D0, D1, ... DN, 1]。如果给定了label_vocabulary，labels必须是一个字符串Tensor，其值来自词汇表。如果未给出label_vocabulary，labels必须是一个整数Tensor，其值指定类别索引。

您应该使用one_hot=False读取数据，并且将标签转换为int32类型以使其正常工作：

y=ydata.astype(np.int32)