Machine learning 当改变输出层（Keras）的形状时，Keras模型未正确训练

我想预测图像的类别。 这些类存储在标签数组中：数组[0,0,1.，…，2,2,0.]，dtype=float32 我有3门课，0、1和2

我的模型如下所示：

model = Sequential([
Conv2D(16, 3, padding='same', activation='relu', 
       input_shape=(64, 64 ,3)),
MaxPooling2D(),
Dropout(0.5),
Conv2D(32, 3, padding='same', activation='relu'),
MaxPooling2D(),
Conv2D(64, 3, padding='same', activation='relu'),
MaxPooling2D(),
Dropout(0.5),
Flatten(),
Dense(512, activation='relu'),
Dense(256),
Dense(3, activation = 'relu')
])

当我在最后一个密集层中使用3的形状时，在训练过程中，损失和精度根本不会改变。 当我将最后一个致密层的形状增加到5时，训练效果良好。 为什么它不适用于三的形状？毕竟我有三节课

model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['sparse_categorical_accuracy'])

history = model.fit(train_images, train_labels,
                    epochs=num_epochs,
                    validation_data=(val_images, val_labels),
                    callbacks = [tensorboard])

---

我还测试了一个sgd优化器，得到了相同的结果

您似乎在进行多类分类，但您正在使用relu作为输出层激活函数。对于多类分类，应在最后一层中使用softmax，并使该层中的神经元数量与要分类的类数量相等

ReLU不生成logits，您应该在输出时使用线性激活，而不是ReLUHello，谢谢您的回答。我将最后一层更改为：Dense3，activation='softmax'，但在训练期间损失和准确度仍然不会改变。@zyros这是因为softmax与分类熵损失密切相关，而不是您在这里使用的稀疏版本。非常感谢。最后一层使用softmax激活和分类_交叉熵解决了我的问题problem@zyros哎呀，我没注意到你的损失函数。我很高兴它现在运行良好！