Python 为什么我的准确度和损失，0.000和nan，在keras中？

我的理解是“稀疏分类交叉熵”适合我的多重分类，而不需要一个热编码案例。我还降低了adam学习速度，以防超出预测

我不确定我不理解的是我做得不对

我的输入数据如下所示：

我的输出预测结果是标签：[1 2 3 4 5 6 7 8 9 10]（不是一个热编码）。每个数字代表我希望网络最终选择的数字

print(x_train.shape)
print(x_test.shape)
x_train = x_train.reshape(x_train.shape[0], round(x_train.shape[1]/5), 5)
x_test = x_test.reshape(x_test.shape[0], round(x_test.shape[1]/5), 5)
print(x_train.shape)
print(np.unique(y_train))
print(len(np.unique(y_train)))

input_shape = (x_train.shape[1], 5)

adam = keras.optimizers.Adam(learning_rate=0.0001)

model = Sequential()
model.add(Conv1D(512, 5, activation='relu', input_shape=input_shape))
model.add(Conv1D(512, 5, activation='relu'))
model.add(MaxPooling1D(3))
model.add(Conv1D(512, 5, activation='relu'))
model.add(Conv1D(512, 5, activation='relu'))
model.add(GlobalAveragePooling1D())
model.add(Dropout(0.5))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='sparse_categorical_crossentropy', optimizer=adam, metrics=['accuracy'])
    
model.fit(x_train, y_train, batch_size=32, epochs=25, validation_data=(x_test, y_test))
print(model.summary())

以下是错误结果：

模型层（如果有帮助）：

---

我认为您的方法存在两个主要问题

您的标签从1到10。。。它们必须从0开始，才能在0-9范围内。只需执行

y\u-train-1

和

y\u-test-1

（如果y\u-test和y\u-train是numpy阵列）即可实现这一点

网络的最后一层必须是密集的（10，activation='softmax'），其中10是要预测的类数，softmax用于生成多类问题的概率

---

使用

sparse\u categorical\u crossentropy

是可以的，因为您有整数编码的目标

，所以您似乎有10个类要预测，1个密集输出和sigmoid？您能显示

y序列的样本吗？除了单个类的输出，还不清楚输入是否是稀疏的