logits and labels must have the same first dimension, got logits shape [32,4] and labels shape [128]

这个错误目前发现有两种情况：

第一种就是字面意思 你的shape没有对齐，

(2000, 64, 64, 1)
(2000, 10)
比如上面两个形状的第一维是样本数量，（64,64,1）是图片维度。10是分类。要求2000=2000.就是x,y配对。很好理解。

但是当你检查之后发现没问题还报这个错。

第二种情况：

你的损失函数使用有问题。

损失函数使用要求：

问题出在您的目标形状上，并且与正确选择合适的损失函数有关。你有两种可能性：

1.可能性：如果你有一个一维整数编码的目标，你可以sparse_categorical_crossentropy用作损失函数

n_class = 3
n_features = 100
n_sample = 1000

X = np.random.randint(0,10, (n_sample,n_features))
y = np.random.randint(0,n_class, n_sample)

inp = Input((n_features,))
x = Dense(128, activation='relu')(inp)
out = Dense(n_class, activation='softmax')(x)

model = Model(inp, out)
model.compile(loss='sparse_categorical_crossentropy',optimizer='adam',metrics=['accuracy'])
history = model.fit(X, y, epochs=3)

2.可能性：如果您对目标进行单热编码以获得2D形状（n_samples，n_class），则可以使用categorical_crossentropy

n_class = 3
n_features = 100
n_sample = 1000

X = np.random.randint(0,10, (n_sample,n_features))
y = pd.get_dummies(np.random.randint(0,n_class, n_sample)).values

inp = Input((n_features,))
x = Dense(128, activation='relu')(inp)
out = Dense(n_class, activation='softmax')(x)

model = Model(inp, out)
model.compile(loss='categorical_crossentropy',optimizer='adam',metrics=['accuracy'])
history = model.fit(X, y, epochs=3)

换成categorical_crossentropy试试。

如果解决了你的问题，请点个免费的赞。