Tensorflow 采用文本分类器神经网络来接受多个类别

我试图在这个Keras/Tensorflow教程中调整文本分类器神经网络，以输出多个2个以上的类别。我想我可以将输出层更改为使用“softmax”激活，但我不确定如何调整输入层

教程链接：

本教程使用的是电影评论数据，只有两个类别是正片或负片，因此模型仅使用激活设置为“sigmoid”的输出层

我用一个热编码表示了16个类别

教程示例：

我的尝试：

错误： ValueError：形状为5000，1的目标数组被传递为形状为None，16的输出，而使用作为损失二进制_交叉熵。此损失期望目标与输出具有相同的形状

数据形状：

模型摘要： 型号：16

Layer (type)                 Output Shape              Param #   
embedding_15 (Embedding)     (None, None, 16)          160000    
global_average_pooling1d_15  (None, 16)                0         
dense_30 (Dense)             (None, 16)                272       
dense_31 (Dense)             (None, 16)                272

总参数：160544

可培训参数：160544

---

不可训练参数：0

二进制交叉熵用于二进制分类，但您要查找的是分类交叉熵。二进制交叉熵期望y矩阵是n个样本x1，值为0或1。category_crossentropy期望您的y矩阵是n_样本x n_类别，正确的类别标记为1，其他类别标记为0。听起来你做一个热编码的方式是正确的，所以你可能只需要改变你的损失函数

model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['acc'])

x_train[:5000] (5000, 2000)
y_train[:5000] (5000,16)
x_train[5000:] (1934, 2000)
y_train[5000:] (1934,16)

Layer (type)                 Output Shape              Param #   
embedding_15 (Embedding)     (None, None, 16)          160000    
global_average_pooling1d_15  (None, 16)                0         
dense_30 (Dense)             (None, 16)                272       
dense_31 (Dense)             (None, 16)                272

model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['acc'])