收到的标签值1超出了[0，1]的有效范围-Python，Keras

我正在使用keras和tensorflow背景制作一个简单的cnn分类器

def cnnKeras(training_data, training_labels, test_data, test_labels, n_dim):
  print("Initiating CNN")
  seed = 8
  numpy.random.seed(seed)
  model = Sequential()
  model.add(Convolution2D(64, 1, 1, init='glorot_uniform', 
   border_mode='valid',input_shape=(16, 1, 1), activation='relu'))
  model.add(MaxPooling2D(pool_size=(1, 1)))
  model.add(Convolution2D(32, 1, 1, init='glorot_uniform', 
   activation='relu'))
  model.add(MaxPooling2D(pool_size=(1, 1)))
  model.add(Dropout(0.25))
  model.add(Flatten())
  model.add(Dense(128, activation='relu'))
  model.add(Dropout(0.5))
  model.add(Dense(64, activation='relu'))
  model.add(Dense(1, activation='softmax'))
  # Compile model
  model.compile(loss='sparse_categorical_crossentropy',
              optimizer='adam', metrics=['accuracy'])
  model.fit(training_data, training_labels, validation_data=(
    test_data, test_labels), nb_epoch=30, batch_size=8, verbose=2)

  scores = model.evaluate(test_data, test_labels, verbose=1)
  print("Baseline Error: %.2f%%" % (100 - scores[1] * 100))
  # model.save('trained_CNN.h5')
  return None

这是一个二进制分类问题，但我不断收到消息

收到的标签值1超出了[0，1）

的有效范围，这对我来说没有任何意义。有任何建议吗？

范围[0，1）

表示0和1之间的每个数字，排除1。因此1不是范围内的值[0,1]

---

我不是100%确定，但问题可能是由于您选择了损失函数。对于二进制分类，

binary\u crossentropy

应该是一个更好的选择。

在您使用的上一个密集层

model.add（密集（1，activation='softmax'））

。这里1将其值限制在

[0,1）

将其形状更改为最大输出标签。例如，您的输出来自标签

[0,7）

，然后使用

模型。添加（稠密（7，activation='softmax'））

当我有类型为“float”的标签时，我遇到了这个问题，将它们转换为“int”，问题就解决了…

稀疏分类交叉熵的特性 损失函数稀疏\分类\交叉熵将分类器上下文中的最后一层解释为每个可能类的一组概率，并将输出值解释为类的数量（更详细一点）因此，将输出层中的x个神经元与0到x-1范围内的输出值进行比较；在输出层中只有一个神经元是一个“一元”分类器，这是没有意义的

如果这是一项分类任务，您希望以0到x-1的形式输出数据，那么您可以保持稀疏的分类交叉熵，但您需要将输出层中的神经元数量设置为您拥有的类的数量。或者，您可以将输出编码为一个热向量，并使用分类交叉熵损失函数离子而不是稀疏的分类交叉熵

---

如果这不是一项分类任务，并且你想像在回归中那样预测任意实数，那么分类交叉熵就根本不是一个合适的损失函数。

Cray和Shaili的答案是正确的！ 我的结果范围从1到6， 这句话：

tf.keras.layers.Dense(6, activation = 'softmax') 

产生了错误信息，说事情超出了范围 [0,6]。我认为这是一个标签问题（是否所有值都存在于 培训和验证标签都有，并且正在鞭笞他们

)

错误在[0,4]范围内，您只需在类数（标签）中添加一个即可。 例如，更改此项：

layers.Dense(4)

致：

---

**与[0,1]相同。

这个问题的另一个可能答案是关于工作空间。如果它不是其他答案所建议的逻辑/稀疏性/熵错误，请继续阅读：

如果创建了一个工作空间来保存经过训练的模型的数据，则如果使用新样本（尤其是不同数量的文件夹）重新训练数据，并且使用文件夹作为分类标签，则旧工作空间数据可能会导致此错误

例子： 我在以下方面训练了我的原始设置：

当我尝试重新培训新样本集时：

我收到了错误消息：

收到的标签值为3，超出了[0,3]的有效范围。

这可能是因为旧样本集的4个文件夹的缓存值与新样本集的3个文件夹的缓存值造成了某种问题。我所能确定的是，一旦我从工作区中清除了旧信息，并再次运行，它就运行到完成。这是多次失败后的一个单独更改，因此我确信这就是解决问题的方法问题

---

免责声明：我正在使用C#和ML.NET，但它仍然使用TensorFlow，这是我们两个错误产生的地方，因此它应该绝对适用于这个问题。

根据文档（），这里1是输出维度（秩）而不是输出范围。因此，如果要预测第6个数字，其中训练数据为[1,2,3,4,5]，有一个类别：[6]，你的分类方法是什么？我假设保持分类交叉熵，在这种特定情况下，“一元”分类器可能有意义。如果这是一项分类任务，那么你正在学习（即调整）一个函数的参数，其中一组可能的输出（即，在函数的技术数学定义中，函数的范围）是类别列表。如果只有一个类别，这是退化形式，其中范围由一个值组成，你有一个函数，根据定义，除了这个单一类别之外，它不能输出任何东西，不管它给出了什么输入，不管它是否经过训练，它总是输出唯一技术上可能的回答。因此，不，一元分类器永远没有意义，只是作为退化边情况的一个例子，从技术上讲，它可能算作“可学习函数”。这一评论似乎说明了对分类含义的一个基本误解——分类器将尝试预测（预定义的）一个可能的答案。如果只有一个类别，没有什么可预测的，就不可能给出错误的答案，因为没有其他答案是可能的——“有一个类别：[6]”字面上的意思是你在明确假设[6]是唯一可能的输出，不管怎样。并且“如果要预测第6个数字，其中训练数据为[1,2,3,4,5]，并且有一个类别：[6]”——如果我将其理解为预测序列中的下一个数字的任务（因此它也必须适用于[11,12,13,14,15]->[16]），那么没有分类方法是合适的，因为（就像任何其他预测任意实数或自然数的任务）都不是一个分类问题，它违反了分类问题的核心假设。

layers.Dense(5)