Python Keras形状（无，1）和（无，10）不兼容

我不能用分类交叉熵来运行我的神经网络，但当我使用二进制时，我的精确度不高。你知道如何解决这个问题吗？

from keras import models
from keras import layers
from keras.datasets import mnist

(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

train_images = train_images.reshape((60000, 28 * 28))
train_images = train_images.astype('float32') / 255

test_images = test_images.reshape((10000, 28 * 28))
test_images = test_images.astype('float32') / 255

network = models.Sequential()
network.add(layers.Dense(512, activation='relu', input_shape=(28 * 28,)))
network.add(layers.Dense(10, activation='softmax'))

network.compile(optimizer='adam',
                loss='categorical_crossentropy',
                metrics=['accuracy'])

network.fit(train_images, train_labels, epochs=5, batch_size=128)

---

MNIST数据集具有形状（1，）的标签，同时输出10个值。如果要使用分类交叉熵，应使用来解决此差异，如和SparseCategoricalCrossentropy文档中所述

更改损失函数：

from keras import losses
network.compile(optimizer='adam',
                loss=losses.SparseCategoricalCrossentropy(),
                metrics=['accuracy'])

---

请添加更多信息。你有10个输出神经元。你想把10类分类吗？都是代码。是的，当然。我要10克拉。但问题在于产出。好的，我解决了问题。再次感谢你。是的，我也可以这样使用稀疏分类交叉熵：

loss='sparse\u category\u crossentropy'，