Machine learning 如何使用Tensorflow.JS实现softmax

使用Tensorflow.JS，我尝试使用softmax激活功能，在最后一个密集层上运行机器学习模型。当我尝试运行它时，我收到：

检查目标时出错：预期密集密度2具有形状[，1]，但获得具有形状[3,2]的数组

如果我注释掉fit函数并运行它，我会得到一个1x2数组（正如预期的那样，因为我在最后一层上有2个单元，我只在一个测试中输入

此外，当我将y变量更改为这个数组：[[1,2,3]]时，它会进行训练（但我认为这不正确，因为y不是最后一层（2）的正确形状）

任何建议或帮助，将不胜感激，以填补我的知识空白

var tf = require('@tensorflow/tfjs');

let xs = tf.tensor([
  [1,2],
  [2,1],
  [0,0]
]);

let ys = tf.tensor([
  [1,2],
  [2,1],
  [1,1]
]);

async function createModel () {


  const model = tf.sequential();
  model.add(tf.layers.dense({inputShape: [2], units: 32, activation: "relu"}));
  model.add(tf.layers.dense({units: 2}));
  model.compile({loss: "sparseCategoricalCrossentropy",optimizer:"adam"});

  //await model.fit(xs, ys, {epochs:1000});

  model.predict(tf.tensor([[1,2]])).print();
}

createModel();

---

下面是最后一层上的softmax激活：

  const model = tf.sequential();
  model.add(tf.layers.dense({inputShape: [2], units: 32, activation: "relu"}));
  model.add(tf.layers.dense({units: 2, activation:'softmax'}));
  model.compile({loss: "sparseCategoricalCrossentropy",optimizer:"adam"});

  model.predict(tf.tensor([[1,2]])).print();

对于错误：

检查目标时出错：预期密集密度2具有形状[，1]，但获得具有形状[3,2]的数组

<>你可以考虑给出

的答案。 您的错误与损失函数

sparseCategoricalCrossentropy

有关，该函数期望标签为

tensor1d

。如果您将此损失函数更改为

Category CrossEntropy

，它将起作用。这两种损失的作用相同，标签的编码方式不同。但问题在于标签既不是为

分类交叉熵

编码，也不是为

稀疏分类交叉熵

编码

• 使用

  sparseCategoricalCrossentropy

  时，标签是一维张量，其中值是类别的索引
• 当使用分类交叉熵时，标签是二维张量，也就是一个热编码

对于二进制分类（softmax为2个值）应采用更好的二进制交叉熵，并将softmax更改为sigmoid。