Python 对一系列图像使用分类交叉熵

我有一个模型，它接受一系列图像作为输入

（无，n步，128，128）

（而不是单个图像），其中

n步

是一个固定数字

10

。我用分类交叉熵对四类问题进行分类。但我有一个错误，如下所示

ValueError: A target array with shape (1342, 10, 4) was passed for an output of shape (None, 1, 4) while using as loss `categorical_crossentropy`. This loss expects targets to have the same shape as the output.

我从错误中了解到，它一次只能看到一张图像。有没有什么方法可以让我把这个损失用于一系列图像

模型的输出也将是一组

10

标签

编辑：

---

输入是用于回归任务的图像及其相关信息，输出是标签和下一个可预测值。

问题在于输入到分类任务的密集和重塑层。由于输入在

（10128128）

中，因此单位数应为

10*num\u class

。所以改变这个

x_reg = (Dense(8, activation='relu', kernel_regularizer=regularizers.l2(0.001)))(x)
x_class = (Dense(8, activation='relu', kernel_regularizer=regularizers.l2(0.001)))(x)

x_reg = Reshape((2, 4))(x_reg)

output_regression = (Dense(2, name='main_output'))(x_reg)
output_class = (Dense(4, name='classification_output', activation='softmax'))(x_class)

这就解决了问题

x_reg = (Dense(8, activation='relu', kernel_regularizer=regularizers.l2(0.001)))(x)
x_class = (Dense(40, activation='relu', kernel_regularizer=regularizers.l2(0.001)))(x)

x_reg = Reshape((2, 4))(x_reg)
x_class = Reshape((10,4))(x_class)

output_regression = (Dense(2, name='main_output'))(x_reg)
output_class = (Dense(4, name='classification_output', activation='softmax'))(x_class)

---

你是如何调用分类交叉熵的？我有两个输出（分类和回归），所以对于分类，我只是在编译中使用它，就像这个

模型一样。编译（optimizer=adam，loss={'main_output'：'mse'，'classification_output'：'categorical_crossentropy'）

我仍然希望得到更多的信息，例如，关于模型的输入。这个qu在问题中有更多的信息，在回答中有线索，我能够解决这个问题。谢谢如果你的问题对将来的人有帮助，请随时回答

x_reg = (Dense(8, activation='relu', kernel_regularizer=regularizers.l2(0.001)))(x)
x_class = (Dense(40, activation='relu', kernel_regularizer=regularizers.l2(0.001)))(x)

x_reg = Reshape((2, 4))(x_reg)
x_class = Reshape((10,4))(x_class)

output_regression = (Dense(2, name='main_output'))(x_reg)
output_class = (Dense(4, name='classification_output', activation='softmax'))(x_class)