Python 标签值超出有效范围

因此，我得到以下错误：

X = tf.placeholder(shape=(1, 5, 7), name='inputs', dtype=tf.float32)
X_flat = tf.layers.flatten(X)
y = tf.placeholder(shape=(1), name='outputs', dtype=tf.int32)
hidden1 = tf.layers.dense(X_flat, 150, kernel_initializer=he_init)
hidden2 = tf.layers.dense(hidden1, 50, kernel_initializer=he_init)
logits = tf.layers.dense(hidden2, 1, kernel_initializer=he_init)
with tf.name_scope("loss"):
    xentropy = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=logits, labels=y)
    loss = tf.reduce_mean(xentropy, name="loss")

我的标签包含范围为0到4的整数。我很好奇为什么这不起作用。当我在一个示例代码中使用MNIST时，我不认为y训练集在0到1的范围内，但显然这就是这里发生的事情

如何使交叉熵函数起作用？是否有任何形式的规范化可以使代码正常工作

为什么MNIST可以使用整数，但这个不能用于标签？

Edit 可以肯定的是，这就是我变成的样子

X=tf.placeholder（shape=（1,5,7），name='inputs'，dtype=tf.float32）
X_展平=tf.layers.展平（X）
y=tf.placeholder（shape=（1），name='outputs'，dtype=tf.int32）
hidden1=tf.layers.dense（X_flat，150，kernel_初始值设定项=he_init）
hidden2=tf.layers.dense（hidden1，50，kernel\u initializer=he\u init）
logits=tf.layers.dense（hidden2，5，kernel\u initializer=he\u init）
具有tf.name_范围（“损失”）：
xentropy=tf.nn.sparse\u softmax\u cross\u entropy\u with\u logits（logits=logits，labels=y）
损失=tf.减少平均值（xentropy，name=“损失”）

这对我来说没有问题

起初的 好的。因此，如果您的

y

变量具有范围

（0,4）

，那么您的logit需要具有形状

（批次大小，5）

（在您的情况下，

（1,5）

），因为每个值都是您的模型在特定标签上的置信度

这：

logits=tf.layers.dense（hidden2，1，kernel\u initializer=he\u init）

需要这样做：

logits=tf.layers.dense（hidden2,5，kernel\u initializer=he\u init）

为了做得更好，您可能应该定义这些变量

num_classes=5
# ...
logits=tf.layers.dense（hidden2，num\u类，kernel\u初始值设定项=he\u init）
# ...

我添加了建议的更改，但我现在得到了以下结果：ValueError:Rank mismatch:labels的秩（received 2）应该等于logits的秩减1（received 2）。我认为这与批量大小有关。请检查一下。这个有效，谢谢。如果我要为每个实例输出多个值（一个输出张量），y占位符形状会是什么形状？（我还假设我会将其从稀疏softmax更改为稀疏softmax）。您能澄清一下您的意思吗？你是说批量大小大于1吗？（就像你的

X

具有形状

（n，5，7）

其中

n>1

？）顺便说一句，如果这是一个答案，请勾选小复选框接受答案。不是批量大小，而是选择多个可能的输出。例如，类1和2可以是输出，而不是其中的1个。

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