喀拉斯 |形状 (None, 1) 和 (None, 10) 不兼容答案

【问题标题】：Keras | Shapes (None, 1) and (None, 10) are incompatible喀拉斯 |形状 (None, 1) 和 (None, 10) 不兼容
【发布时间】：2020-08-28 08:43:27
【问题描述】：

我无法使用 categorical_crossentropy 运行我的神经网络，但是当我使用二进制时，我的准确度并不高。你知道如何解决这个问题吗？

from keras import models
from keras import layers
from keras.datasets import mnist

(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

train_images = train_images.reshape((60000, 28 * 28))
train_images = train_images.astype('float32') / 255

test_images = test_images.reshape((10000, 28 * 28))
test_images = test_images.astype('float32') / 255

network = models.Sequential()
network.add(layers.Dense(512, activation='relu', input_shape=(28 * 28,)))
network.add(layers.Dense(10, activation='softmax'))

network.compile(optimizer='adam',
                loss='categorical_crossentropy',
                metrics=['accuracy'])

network.fit(train_images, train_labels, epochs=5, batch_size=128)

【问题讨论】：

请添加更多信息。你有 10 个输出神经元。你要分类 10 个类吗？
这就是所有代码。
是的，当然。我想对 10 个分类进行分类。但是输出有问题。好吧，我解决了这个问题。

标签： python tensorflow keras deep-learning

【解决方案1】：

MNIST 数据集具有形状为 (1,) 的标签，而您输出 10 个值。如果您想使用分类交叉熵，您应该使用SparseCategoricalCrossentropy 来解决此差异，如CategoricalCrossentropy documentation 和 SparseCategoricalCrossentropy 文档中所述。

改变你的损失函数：

from keras import losses
network.compile(optimizer='adam',
                loss=losses.SparseCategoricalCrossentropy(),
                metrics=['accuracy'])

【讨论】：

再次感谢您。是的，我也可以像这样使用稀疏分类交叉熵：loss='sparse_categorical_crossentropy',