Python Keras MNIST目标向量自动转换为一个hot？

当我从Keras加载

mnist

数据集时，我得到4个变量-

(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()

x_train

的形状是

（60000,28,28）

，这很有意义，因为它包含60000个28x28图片

y\u列的形状仅为
（60000，）
，这表明它是一个一维向量，包含数字目标标签（0-9）

为了进行数字分类，神经网络通常输出一个热编码向量，该向量有十个维度。我想我需要使用
来进行分类
来将y目标从数字转换为分类，以便使神经网络的形状输出与训练样本相匹配，这可能是
（60000，10）

但在我在网上找到的几个例子中，
to_category
从未被用来重塑训练向量<编码>y_序列。形状

保持

（60000，）

，而神经网络的输出层保持不变

 model.add(Dense(10, activation="softmax"))

输出一个10-D一维热矢量

然后，他们简单地在

y\u train

上训练模型，没有问题

model.fit(x_train, y_train, epochs=2, validation_data=(x_test, y_test))

这怎么可能？神经网络的输出不是与

（60000，10）

不兼容吗？还是Keras会自动将分类输出转换为数字

---

编辑：更清楚地说，我知道如何对其进行热编码，但我的问题是他们为什么不这么做。在这个例子中，网络在没有对目标类进行热编码的情况下工作，而网络的输出显然是一个热编码的

---

编辑：Roshin是对的。这仅仅是使用稀疏交叉熵的一种效果，而不是分类损失。

您可以通过执行以下代码行将其转换为一个热点：

(x_train, l_train), (x_test, l_test) = mnist.load_data()
y_train = np.zeros((l_train.shape[0], l_train.max()+1), dtype=np.float32)
y_train[np.arange(l_train.shape[0]), l_train] = 1
y_test = np.zeros((l_test.shape[0], l_test.max()+1), dtype=np.float32)
y_test[np.arange(l_test.shape[0]), l_test] = 1

---

将损失函数更改为

loss = 'sparse_categorical_crossentropy'

---

这将起作用，您不必更改输入数据形状

我知道如何对其进行热编码，但我的问题是他们为什么不这样做。在这个例子中，网络在没有对目标类进行一次热编码的情况下工作，而网络的输出显然是一次热编码。他们可以使用稀疏的分类交叉熵而不是分类交叉熵来训练模型。如果您的目标标签是要与softmax one热输出进行比较的整数，则使用稀疏\u分类\u交叉熵。您是对的。但是为什么呢？分类和稀疏有什么区别？我知道以前有人回答过这个问题，但为什么它会影响数据形状？我想这个问题会回答您的疑问：