为什么这个简单的keras 3类分类器只预测一个类而不是其他类？

我正在尝试使用keras创建一个简单的3类深度学习分类器，如下所示：

clf = Sequential()
clf.add(Dense(20, activation='relu', input_dim=NUM_OF_FEATURES))
clf.add(Dense(10, activation='relu'))
clf.add(Dense(3, activation='relu'))
clf.add(Dense(1, activation='softmax'))


# Model Compilation
clf.compile(optimizer = 'adam',
             loss = 'categorical_crossentropy',
             metrics = ['accuracy'])

# Training the model
clf.fit(X_train,
         y_train,
         epochs=10,
         batch_size=16,
         validation_data=(X_val, y_val))

如何在进行预测训练后，始终只预测3个班中的同一个班（1班）

我的网络架构不正确吗

我对深度学习和人工智能一无所知

---

提前感谢。

如果您希望网络将三个类进行分类，那么最后一个密集层应该有三个输出节点。在该示例中，最后一个密集层有一个输出节点

clf = Sequential()
clf.add(Dense(20, activation='relu', input_dim=NUM_OF_FEATURES))
clf.add(Dense(10, activation='relu'))
clf.add(Dense(3, activation='relu'))
clf.add(Dense(3, activation='softmax'))

对于每个输入样本，输出将是三个值，所有值相加为一。这些表示输入属于每个类的概率

关于损失函数，如果你想使用交叉熵，你可以选择稀疏分类交叉熵和分类交叉熵。后者期望地面真相标签是一个热编码的（您可以使用

tf.one\u hot

）。换句话说，标签的形状与网络输出的形状相同。另一方面，稀疏分类交叉熵期望标签的秩为N-1，其中N是神经网络输出的秩。在顺序词中，这些是热编码之前的标签

当模型用于推理时，可以使用预测的最后一个维度的argmax检索预测的类值

predictions = clf.predict(x)
classes = predictions.argmax(-1)

---

请提供编译模型的代码部分。@Chicodelarosa已更新，谢谢，但最后一个密集层有3个输出给了我以下错误：

ValueError:Shapes（None，1）和（None，3）不兼容

，这可能是由于函数丢失造成的。您的

y\u序列的值是否为整数0、1和2？如果是这样，您应该使用
sparse\u categorical\u crossentropy
作为损失函数
categorical\u crossentropy
需要一个热编码标签，而
sparse\u categorical\u crossentropy
需要非一个热标签。哪个更好
sparse\u Category\u crossentropy
或
Category\u crossentropy
？它们计算相同的损失（即交叉熵），但期望不同形式的标签
Category\u crossentropy
需要一个热编码标签（在您的例子中是2D），而
sparse\u Category\u crossentropy
需要非一个热编码标签（在您的例子中是1D）。好的，但是
sparse\u Category\u crossentropy
会生成一个浮点值矩阵
（数组（[0.7737731,0.19874486,0.02748196]），[0.86113244,0.12877706,0.01009052]，[0.9258943,0.07132111,0.00278455]，…，[0.8239085,0.15966693,0.01642458]，[0.80182225,0.1772431,0.02093465]，[0.9042275,0.0910617,0.00471088]，[dtype=float32]）
。我想得到预测的类标签为0、1或2。