ValueError: `logits` and `labels` must have the same shape, received ((64, 1) vs (64, 137)).

这个错误是由于logits和labels的形状不匹配导致的。logits是模型的输出结果，通常是一个未经softmax处理的概率分布。而labels是真实的标签，通常是一个one-hot编码的向量。在这个错误中，logits的形状是(64, 1)，表示64个样本的模型输出，每个输出只有1个元素。而labels的形状是(64, 137)，表示64个样本的真实标签，每个标签有137个元素。这意味着模型输出的维度和真实标签的维度不一致，导致了这个错误。

要解决这个问题，需要检查模型的输出维度和标签的维度是否一致。如果不一致，可以尝试调整模型的结构或者调整标签的格式，使它们的形状匹配。另外，还可以尝试调整损失函数的参数，使其能够处理不同形状的logits和labels。比如，可以使用tf.keras.losses.CategoricalCrossentropy()函数来处理多分类问题，该函数可以处理形状不匹配的情况，并且支持多种损失权重的设置。

相关问题

labels=target, logits=output ValueError: `logits` and `labels` must have the same shape, received ((64, 1) vs (64, 137)).

这个错误表明，在模型训练的过程中，你传递的标签（labels）和模型输出的logits形状不匹配。这个错误通常出现在分类任务中，其中标签的形状应该为（batch_size, num_classes），而模型输出的形状应该为（batch_size, num_classes）或（batch_size,）。

你可以检查一下代码中的标签和模型输出是否一致。可能的原因是你的标签是多分类标签，但是你的模型最后一层的输出单元数没有设置为与标签类别数相同的值。或者你的标签是二分类标签，但是你的模型最后一层的激活函数没有设置为sigmoid函数。你可以根据具体情况来调整模型的结构或者损失函数来解决这个问题。

ValueError: `logits` and `labels` must have the same shape, received ((32, 1) vs (32, 170)).

这个错误通常是由于您在计算损失函数时传递的`logits`和`labels`张量的形状不匹配导致的。在您的情况下，`logits`的形状是`(32, 1)`，而`labels`的形状是`(32, 170)`。

您需要确保这两个张量的形状匹配。如果您正在使用交叉熵损失函数，您可以使用`tf.keras.losses.sparse_categorical_crossentropy()`函数，该函数将自动将`labels`张量转换为独热编码形式，以使其与`logits`张量形状匹配。

如果您仍然遇到问题，请检查您的模型架构和数据预处理过程是否正确，以确保您的输入和输出张量形状匹配。