Python 我在使用cnn对超过10000个班级进行分类时遇到了一个问题。我怎样才能解决它？ 这是我使用conv1d的模型

该模型有5000个类，因此，如何使用tensorflow或keras创建层 如果我增加历代，我的系统将被加载并挂起。这里我使用了adam优化器和均方误差损失函数，所以我得到了非常低的精度。我怎样才能修好它 ''' 纪元=3 批量大小=35

model = Sequential()
print(x_train.shape[1],1)
                                
model.add(Conv1D(16, 3, padding='same', activation='relu', input_shape=(128,1)))#x.shape[1:])) # Input shape: (96, 96, 1)
model.add(MaxPooling1D(pool_size=1))
                              
model.add(Conv1D(32, 3, padding='same', activation='relu'))
model.add(MaxPooling1D(pool_size=1))
model.add(Dropout(0.25))                            
model.add(Conv1D(64, 3, padding='same', activation='relu'))
model.add(MaxPooling1D(pool_size=1))                             
model.add(Conv1D(128, 3, padding='same', activation='relu'))
model.add(MaxPooling1D(pool_size=1))                             
model.add(Conv1D(256, 3, padding='same', activation='relu'))
model.add(MaxPooling1D(pool_size=1))                             
# Convert all values to 1D array
model.add(Flatten())                             
model.add(Dense(512, activation='relu'))
model.add(Dropout(0.2))
model.add(Dense(5823))


##checkpointer = ModelCheckpoint(filepath='checkpoint1.hdf5', verbose=1, save_best_only=True)

# Complie Model
model.compile(optimizer='adam', loss='mean_squared_error', metrics=['accuracy'])
history=model.fit(x_train, y_train_binary,
          batch_size=batch_size,
          epochs=epochs,
          verbose=1,
          validation_data=(x_test, y_test_binary))

---

''

您必须使用类似于

softmax

的功能激活最后一层（muli分类的最佳选择）。正如评论中所说，最好使用损失函数

---

categorical\u crossentropy

在您的情况下，如果您的标签是一个热编码的（如果不使用）。

您好，请告诉我输入的大小好吗？这是什么类型的数据，你想预测什么？在你的数据上写下更多的细节。一个建议是删除所有打印语句，并使用model.summary（）获取模型层以及每个层中带有输入和输出数据形状的参数数量。model.summary（）将非常有用。至于损失函数，使用分类交叉熵进行多类分类。对于5000多个类，请确保您有足够的数据来获得适当的精度。我是从图像中提取数据的。数据集有128列，最后一层尝试了16000行SI作为softmax，损失函数作为分类交叉熵。在这种情况下，我得到的损失较少，但准确性没有提高。如果我试图增加层大小和批量大小系统出现问题，我认为问题来自

y\u train\u binary

和

y\u test\u binary

，请提供更多信息并编辑您的问题