Python Keras-在编译模型时，应使用什么样的精度指标以及稀疏的分类交叉熵

当我有两个类时，我使用

binary\u crossentropy

作为

loss

值来编译一个模型：

model.compile(optimizer='rmsprop', loss='binary_crossentropy', metrics=['accuracy'])

但是现在我有5个类&我不使用热编码特性。所以我选择了

sparse\u categorical\u crossentropy

作为

loss

值。但是准确度指标应该是什么，因为源代码表明有多个准确度指标可用。我试过：

model.compile(optimizer='rmsprop', loss='sparse_categorical_crossentropy', metrics=['sparse_categorical_accuracy'])

那么这是正确的还是我应该只使用

分类准确性

sparse\u categorical\u准确性

是一个正确的度量标准

稀疏分类熵

但是为什么要使用稀疏的分类熵呢？你们有什么课程<代码>稀疏分类熵用于整数输出。但是如果你有一个热编码的目标，你应该使用

categorical\u crossentropy

作为损失函数，使用

accurity

或

categorical\u accurity

作为度量标准

---

更新：
使用以下代码解决分类问题：

model.add(Dense(5, activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

---

我不知道如何使用热编码。这就是为什么我发布了Use

keras.utils.to_category

函数。我已经生成了一个热编码向量，但我不知道如何使用它创建模型。你能给我举个例子吗？