Machine learning 密集softmax层中的输出数

我一直在学习Coursera课程进行额外练习，但遇到了一个我不理解的问题。

就我所研究的ML神经网络问题而言，我一直被教导，多类分类问题的输出层将是稠密的，节点数等于类数。例如狗、猫、马-3类=3个节点

然而，在笔记本中，标签中有5个类，使用

len（label\u tokenizer.word\u index）

检查，但是使用5个节点，我得到了糟糕的结果，6个节点的模型工作正常

---

谁能解释一下为什么会这样？我找不到任何在线例子来解释这一点。干杯

我明白了。失去分类交叉熵的稠密层的输出期望标签/目标从零开始。例如：

cat - 0
dog - 1
horse - 2

在这种情况下，密集节点的数量为3。
但是，在协作中，标签是使用keras标记器生成的，该标记器从1开始标记（因为填充通常为0）

这导致了一个奇怪的情况，如果我们有5个密集节点，我们有0-4的输出类，这与预测1-5的标签不匹配

我以经验证明了这一点，重新运行代码时，所有标签都减少了1，模型成功地训练了5个密集节点，因为现在标签是0-4

我怀疑使用标签1-5和6密集节点是可行的，因为模型只知道没有使用标签0，而是关注1-5

---

如果有人了解分类交叉熵的内部工作原理，请随意添加

我明白了。失去分类交叉熵的稠密层的输出期望标签/目标从零开始。例如：

cat - 0
dog - 1
horse - 2

在这种情况下，密集节点的数量为3。
但是，在协作中，标签是使用keras标记器生成的，该标记器从1开始标记（因为填充通常为0）

这导致了一个奇怪的情况，如果我们有5个密集节点，我们有0-4的输出类，这与预测1-5的标签不匹配

我以经验证明了这一点，重新运行代码时，所有标签都减少了1，模型成功地训练了5个密集节点，因为现在标签是0-4

我怀疑使用标签1-5和6密集节点是可行的，因为模型只知道没有使用标签0，而是关注1-5

如果有人了解分类交叉熵的内部工作原理，请随意添加