Python Tensorflow多类分类损失

我最近一直在尝试基于以下示例实现多类分类LSTM体系结构：

在我改变之后

self.label = tf.placeholder(tf.int32, [None])

到

模型似乎训练正常，但我在这一步上遇到了问题：

    self.loss = tf.reduce_mean(
        tf.nn.sparse_softmax_cross_entropy_with_logits(logits=y_hat, labels=self.label))

    # prediction
    self.prediction = tf.argmax(tf.nn.softmax(y_hat), 1)

因为，即使模型学习正常，预测似乎对多个变量不起作用。我想知道应该如何对self.prediction对象进行编码，以便它为单个实例发出预测向量

多谢各位

我想知道应该如何对self.prediction对象进行编码，所以 它为单个实例发出一个预测向量

---

通常

tf.nn.softmax

返回概率向量。您无法看到它们，因为您使用的是返回最大值的索引的

tf.argmax

。因此，您将只获得一个号码。只要删除tf.argmax，您就会没事了

如果您想获得概率输出而不是标签，那么只删除

tf.argmax

part怎么样

self.prediction=tf.nn.softmax（y\u hat）

。谢谢，概率矩阵正是我想要的。不客气。我也希望能投赞成票：）谢谢！

    self.loss = tf.reduce_mean(
        tf.nn.sparse_softmax_cross_entropy_with_logits(logits=y_hat, labels=self.label))

    # prediction
    self.prediction = tf.argmax(tf.nn.softmax(y_hat), 1)