【tensorflow2.0】ValueError:A target array with shape was passed for an output of shape...问题解决

在 Jupyter notebook 用 tensorflow2.0 训练一个多分类模型时遇到报错

问题描述：

喂入的是 fashion_mnist 数据集，训练和测试的图片都经过了归一化，标签也都转为独热编码

模型建立的代码如下：

model = tf.keras.Sequential()
model.add(tf.keras.layers.Flatten(input_shape = (28, 28)))
model.add(tf.keras.layers.Dense(128, activation = 'relu'))
model.add(tf.keras.layers.Dense(10, activation = 'softmax'))

之前运行的时候是没有报错的，
后来我打算添加层，试一下网络拟合能力有没有提升，
于是在上面的代码下面简单粗暴地加了一行：

model.add(tf.keras.layers.Dense(128, activation = 'relu'))

之后进行模型装配，指定损失函数为分类交叉熵

model.compile(optimizer = tf.keras.optimizers.Adam(learning_rate = 0.01),
              loss = 'categorical_crossentropy',
              metrics = ['acc'])

传入数据进行训练的时候就遇到报错：

model.fit(train_image, train_label_onehot, epochs = 5)

报错信息如下：

...
ValueError: A target array with shape (60000, 10) was passed for an output of shape (None, 128)
while using as loss `categorical_crossentropy`. 
This loss expects targets to have the same shape as the output.

报错原因分析：

添加网络层的时候没有修改输出神经元的个数。
将标签转为独热编码之后label.shape由 (60000, ) 变为 (60000, 10)
因此对应的输出的应该是10个神经元

问题解决：

128 改为10

model.add(tf.keras.layers.Dense(10, activation = 'relu'))

总结：

其实不应该这么直接修改网络层，
softmax层应置于最后一层。

在修改网络结构的时候要注意输出神经元的修改，
从第二层开始，
输入神经元由机器自动判断不用自己定义，
但输出神经元还是要自己判断。