预期致密_3具有形状（无，1），但得到的数组具有形状（17268，2）

Question

我是Keras的新手，我正在尝试制作分类模型，这是我的模型：

model = Sequential()
model.add(Dense(86, activation='sigmoid', input_dim=21))
model.add(Dense(50, activation='sigmoid'))
model.add(Dense(1, activation='sigmoid'))

model.compile(loss='categorical_crossentropy', optimizer='nadam', metrics=['accuracy'])

但它总是给我这个错误：

^{pr2}$

现在我知道我需要用一个热编码来编码我的标签，然后把它们压平，所以我也这么做了。在

oht_y_train = np_utils.to_categorical(y_train, num_classes=3)
oht_y_train = np.ndarray.flatten(oht_y_train)

但我还是犯了同样的错误。在

注意：在压平标签之前，我得到了同样的错误，只是形状是（5765，3）

我还打印了标签数组的形状，它给了我（17268，）

Answer 1

如果最后一层的输出维为1（用于二进制分类），则标签不应是一个热编码的。如果你有几个类，你应该使用一个热编码和一个categorical_crossentropy丢失函数，但是你的最终输出层应该有3维，即Dense(3)，其中3是类的数量。你不应该在标签被编码后展平。在

model = Sequential()
model.add(Dense(86, activation='sigmoid', input_dim=21))
model.add(Dense(50, activation='sigmoid'))
model.add(Dense(3, activation='sigmoid'))

model.compile(loss='categorical_crossentropy', optimizer='nadam', metrics=['accuracy'])

model.fit(X_data, Y-one-hot-encoded) # here your labels have shape (data_size, 3).

如果只需要执行二进制分类，那么最好使用binary_crossentropy丢失并具有输出维度1，使用Dense(1)和sigmoid或{}激活来规范0和1之间的输出。在

^{pr2}$