logits and labels must have the

报错原因，图片分类时的label形式与模型的损失函数不匹配。

解析图片时，label_mode的设定要与后面模型complile时设定的损失函数一致

train_ds = tf.keras.preprocessing.image_dataset_from_directory(
    data_dir,
    #默认int，需要配合sparse_categorical_crossentropy损失函数
    # 设置为categorical以后，需要配合categorical_crossentropy损失函数，具体看这两个损失函数的接收数据就可以理解
    # binary可以用binary_crossentropy
#     label_mode="categorical", 
    validation_split=0.2,
    subset="training",
    seed=123,
    image_size=(img_width, img_height),
    batch_size=batch_size)

下面介绍相匹配的两个交叉熵损失函数

交叉熵表示两个概率分布之间的距离。
交叉熵越大，两个概率分布距离越远，两个概率分布越相异；交叉熵越小，两个概率分布距离越近，两个概率分布越相似。

SparseCategoricalCrossentropy：多分类，经常搭配Softmax使用，和CategoricalCrossentropy不同之处在于，CategoricalCrossentropy是one-hot编码，而SparseCategoricalCrossentropy使用一个位置整数表示类别。SparseCategoricalCrossentropy的y_true = [1, 2, 3]，等价于CategoricalCrossentropy的 y_true = [[0, 1, 0, 0], [0, 0, 1, 0],[0, 0, 0, 1]]
对应的 y_pred = [[0.05, 0.95, 0, 0.66], [0.1, 0.8, 0.1, 0.35], [0.1, 0.8, 0.1, 0.35]]

from_logits：默认False。为True，表示接收到了原始的logits，为False表示输出层经过了概率处理(softmax)

以下为SparseCategoricalCrossentropy的测试

# 官方示例,实际为3类2样本
# y_true = [1, 2]
# y_pred = [[0.05, 0.95, 0], [0.1, 0.8, 0.1]]

# 3类3样本
# y_true = [0, 1, 2] 
# y_true = [2, 3]# 报错
# y_true = [0, 2] # 正常
# y_true = [0, 1] # 正常   说明最大值为2即表示有三类
# y_pred = [[0.05, 0.95, 0], [0.1, 0.8, 0.1]] #报错
# y_pred = [[0.05, 0.95, 0], [0.1, 0.8, 0.1],[0.1, 0.8, 0.1]] #正常

#3类2样本
# y_true = [1, 2]
# y_pred = [[0.05, 0.95, 0], [0.1, 0.8, 0.1], [0.1, 0.8, 0.1]]#报错
# y_pred = [[0.05, 0.95, 0], [0.1, 0.8, 0.1]] #正常
# y_pred = [[0.05, 0.95, 0, 0.5], [0.1, 0.8, 0.1, 0.6]] #正常，这种情况被解读为4类2样本，y_true里有隐藏的3
# y_pred = [[0.95, 0, 0.5], [0.8, 0.1, 0.6]] #正常


# 4类3样本预测时
# y_true = [0, 1, 3]
# # y_pred = [[0.05, 0.95, 0], [0.1, 0.8, 0.1], [0.1, 0.8, 0.1], [0.1, 0.8, 0.1]]#报错
# # y_pred = [[0.05, 0.95, 0], [0.1, 0.8, 0.1], [0.1, 0.8, 0.1]] #报错
# y_pred = [[0.05, 0.95, 0, 0.22], [0.1, 0.8, 0.1, 0.55], [0.1, 0.8, 0.1, 0.3]] # 正常

# 4类2样本预测时
# y_true = [2, 3]
# # y_pred = [[0.05, 0.95, 0, 0.22], [0.1, 0.8, 0.1, 0.55], [0.1, 0.8, 0.1, 0.3]] #报错 
# y_pred = [[0.05, 0.95, 0, 0.22], [0.1, 0.8, 0.1, 0.3]] # 正常

# 通过上面的测试可以得出，y_true的数量表示样本数量，与y_pred的预测数组数量对应
# y_true的最大数值，表示分类数量，与y_pred预测里的数组元素的数量对应
# y_true的shape是[batch_size]，y_pred的shape是[batch_size, num_classes]
#from_logits为True表示把y_pred解读为一个logits张量，否则解读为一个概率分布，默认为false
scce = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False)
scce(y_true, y_pred).numpy()