Python 如何将最后的致密层写入；接受；（x，y）元组

TL；博士： 输入

（批次大小，128,60,41,2）

和标签

（批次大小，128）

，每个标签为0、1或2。网络输出应如何/如何设计输出

我正在将每个长度为60秒的音频剪辑转换为

（128,60,41,2）

*。这是每个示例的特征数据

至于标签，对于我提取的128个东西中的每一个，我都有（每个例子）和一组形状

（128，）

所以一个（特征，标签）对是int形式的

（特征={128,60,41,2}，标签={128}）

当我批处理数据时，特征和标签被附加到；e、 g.对于尺寸为10的批次：特征为形状：

（10128,60,41,2）

，标签为形状

（10128）

我澄清的问题是：我如何设计网络以根据此标签计算损失

较长版本： 最后一个致密层应具有

3个
单元，每类一个。现在，我有一批
bs
项目。因此，我的标签是
（bs，128）
。如何设计网络来计算损耗；第一批产品的形状为
（128,60,41,2）
，第一批产品的标签为
（128，）
。其中的每个标签都是0、1或2。现在我想计算一下，将网络设计为具有
（无，128,3）
形状作为最后一个输出

None是批量大小，128表示我提取的所有内容，3表示我有三个类


编辑：谢谢你的注释，我希望能澄清这个问题

*对于进一步感兴趣的人：
我在时间轴上使用滑动窗口。对于每个窗口，我提取对数比例的光谱图。此处，128是窗口数，60和41控制Mel比例，2用于添加增量标注

生成音频的代码：

def sub_方法（fn、标签、带、帧、增量）：
定义窗口（数据、窗口大小）：
开始=0
启动时0:#检查是否有空段
返回1，段\特征，段\标签
其他：
返回0，0，0
试试这个：

import tensorflow as tf
from tensorflow.keras.layers import Input, Dense, Reshape
from tensorflow.keras import Sequential

model = Sequential([
  Reshape((128, -1), input_shape=(128, 60, 41, 2)),
  Dense(3)
])

inp = tf.random.uniform([10, 128, 60, 41, 2], dtype=tf.float32)
labels = tf.random.uniform([10, 128], 0, 3, dtype=tf.int32)
pred = model(inp)
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy')
model.fit(inp, labels)

您已经告诉了我们您所拥有的（sorta，对于针对NN人员的问题，有很多音频处理行话需要理解），但没有告诉我们您想要什么，或者您认为您可以如何达到目标。@DanielF，我澄清了这个问题。你（或其他人）有机会重新打开它吗？我宁愿避免提出新问题来减少垃圾邮件。谢谢。问题的描述与此相似，解决了我的问题。我将您建议的重塑操作用作网络中倒数第二层。谢谢