Python 正在获取数组输出，但我需要一个具有稀疏\u类别损失的输出

我正在尝试用keras拟合一个简单的神经网络。我有输入，我希望有一个表示它自己的类的整数输出。我希望它在0-13范围内。但是，当最后一个输出设置为1时，它会给我一个错误

InvalidArgumentError: Received a label value of 12 which is outside the valid range of [0, 1).  Label values:

这就是我到目前为止编译神经网络的方法

import keras
from keras.models import Sequential
from keras.layers import Dense

classifier = Sequential()
classifier.add(Dense(units = 10, kernel_initializer = 'uniform', 
                     activation = 'relu', input_dim = 10))
classifier.add(Dense(units = 11, kernel_initializer = 'uniform', activation = 'relu'))
classifier.add(Dense(units = 8, kernel_initializer = 'uniform', activation = 'relu'))
classifier.add(Dense(units = 1, kernel_initializer = 'uniform', activation = 'sigmoid'))
classifier.compile(optimizer = 'adam', loss = 'sparse_categorical_crossentropy', metrics = ['accuracy'])

classifier.fit(X_train, y_train, batch_size = 2000, epochs = 20)

我的训练输入是数组的数组，标签只是一个值为0-12的数组

这是输出

让我们了解稀疏分类交叉熵 它将只使您能够通过整数标签（而不是一个热数组）测量错误

那么为什么会出现错误呢？ 根据我的解释，你的人际网络应该能够预测14个班级。因此，在一个热编码上所做的工作仍然需要在网络上完成（并不是说你给了一个热编码，这只是一个提醒我们该做什么的方法的闪回），因此，你需要14个输出神经元来完成； 最后一层应如下所示：

classifier.add(Dense(units = 14, kernel_initializer = 'uniform', activation = 'sigmoid'))

顺便说一句，使用

metrics=['sparse\u categorical\u accurity']

如果您想要整数输出 有两种选择（据我所知）：

或者简单地说：

y_pred = classifier.predict_classes(X_test)

让我们了解稀疏分类交叉熵 它将只使您能够通过整数标签（而不是一个热数组）测量错误

那么为什么会出现错误呢？ 根据我的解释，你的人际网络应该能够预测14个班级。因此，在一个热编码上所做的工作仍然需要在网络上完成（并不是说你给了一个热编码，这只是一个提醒我们该做什么的方法的闪回），因此，你需要14个输出神经元来完成； 最后一层应如下所示：

classifier.add(Dense(units = 14, kernel_initializer = 'uniform', activation = 'sigmoid'))

顺便说一句，使用

metrics=['sparse\u categorical\u accurity']

如果您想要整数输出 有两种选择（据我所知）：

或者简单地说：

y_pred = classifier.predict_classes(X_test)

---

如果需要[0,13]范围内的整数输入，这对应于14个输出类（索引从0到13，从零开始），因此需要适当配置网络：

classifier.add(Dense(units = 14, kernel_initializer = 'uniform', activation = 'softmax'))

训练后，当模型做出预测时，您将得到整数[0,13]的概率分布。要获得编码的整数，必须以最大概率获取索引，例如：

pred = classifier.predict(some_data)
integer = np.argmax(pred, axis=-1)

---

这将产生预测的整数标签。

如果您希望整数输入在[0,13]范围内，这对应于14个输出类（索引从0到13，从零开始），因此您需要适当配置网络：

classifier.add(Dense(units = 14, kernel_initializer = 'uniform', activation = 'softmax'))

训练后，当模型做出预测时，您将得到整数[0,13]的概率分布。要获得编码的整数，必须以最大概率获取索引，例如：

pred = classifier.predict(some_data)
integer = np.argmax(pred, axis=-1)

---

这将产生预测的整数标签。

您有一个带S形激活的输出单元，y值变化为0-13？因为对于sigmoid来说，不可能产生0-1范围以外的结果。@viceriel当我更改为relu时，它确实提供了一个输出。但是，它仍然返回一个数组数组。第一个值是我想要的输出，数组的其余部分用0.0填充，直到数组的长度为13。有没有办法让神经网络只预测数组中的第一个值？或者我必须添加额外的代码来隔离第一个值吗？您有一个带sigmoid激活的输出单元，y值变化为0-13？因为对于sigmoid来说，不可能产生0-1范围以外的结果。@viceriel当我更改为relu时，它确实提供了一个输出。但是，它仍然返回一个数组数组。第一个值是我想要的输出，数组的其余部分用0.0填充，直到数组的长度为13。有没有办法让神经网络只预测数组中的第一个值？或者我必须添加额外的代码来隔离第一个值吗？我不是一个热编码我的y。这是从0到12的绝对整数。当最后一层是14个单位时，它会生成一个数组答案，就像我上面问题中的答案一样。然而，我只想要一个0-12之间的输出，我不是一个热编码我的y。这是从0到12的绝对整数。当最后一层是14个单位时，它会生成一个数组答案，就像我上面问题中的答案一样。但是我只需要一个0-12之间的输出