Python ValueError：在尝试对IMDB评论进行分类时，登录和标签必须具有相同的形状（（无，1）与（无，10000））

我试图使用Keras对IMDB电影评论进行二元分类。下面是我使用的代码

来自keras导入模型的

从keras导入图层
model=models.Sequential（）
model.add（layers.Dense（16，activation=“relu”，input_shape=（10000，））
model.add（layers.Dense（16，activation=“relu”））
model.add（layers.Dense（1，activation=“sigmoid”））
compile（optimizer=“rmsprop”，loss=“binary\u crossentropy”，metrics=[“acc”]）
历史=模型.fit（部分x_序列，部分y_序列，历代=20，批量大小=512，验证数据=（x_val，y_val））

每个输入张量的形状如下所示

print(partial_x_train.shape) --> (15000, 10000)
print(partial_y_train.shape)--> (15000, 10000)
print(x_val.shape) --> (10000, 10000)
print(y_val.shape) --> (10000, 10000)

但是在执行上面的程序时，我得到了以下错误

ValueError:在用户代码中：
ValueError:登录和标签必须具有相同的形状（（无，1）与（无，10000））

---

我搜索了很多这样的问题，但不明白我做错了什么。有人能帮我避免这个错误并编译模型吗？

如前所述

ValueError

，您正试图计算形状之间的损失

（（无，1）

vs

（无，10000））

。如果您发布或引用IMDB的培训集，这一点很清楚。尝试使用

keras

中的内置IMDB数据集

import numpy as np
from tensorflow import keras
from tensorflow.keras import layers

max_features = 20000  # Only consider the top 20k words
maxlen = 200  # Only consider the first 200 words of each movie review

(x_train, y_train), (x_val, y_val) = keras.datasets.imdb.load_data(
    num_words=max_features
)

print(len(x_train), "Training sequences")
print(len(x_val), "Validation sequences")

x_train = keras.preprocessing.sequence.pad_sequences(x_train, maxlen=maxlen)
x_val = keras.preprocessing.sequence.pad_sequences(x_val, maxlen=maxlen)

x_train.shape, y_train.shape
# ((25000, 200), (25000,))

根据你的模型

model = models.Sequential()
model.add(layers.Dense(16,activation="relu",input_shape=(maxlen,)))
model.add(layers.Dense(16,activation="relu"))
model.add(layers.Dense(1,activation="sigmoid"))

model.compile(optimizer="rmsprop",loss="binary_crossentropy", metrics=["acc"])
model.fit(x_train, y_train, batch_size=32, epochs=2, validation_data=(x_val, y_val))

---

你有10000个目标，而你的网络只生产1个。。。将密集（10000，activation=“sigmoid”）设置为最后一层

Epoch 1/2
782/782 [==============================] - 5s 4ms/step - loss: 164.2350 - acc: 0.5018 - val_loss: 1.0527 - val_acc: 0.5000
Epoch 2/2
782/782 [==============================] - 3s 4ms/step - loss: 1.0677 - acc: 0.4978 - val_loss: 0.7446 - val_acc: 0.5000