用于多维输出的Softmax和损耗函数

Question

我正在尝试使用Keras创建一个有监督的chess神经网络，它的结构和属性与AlphaZero类似。我有一个GM级国际象棋游戏的大数据集，我用它来训练网络。我的神经网络的输入形状是（m，8，8，119），输出形状是（m，8，8，73），就像AlphaZero一样

我的网络具有与AlphaZero（多个卷积和剩余块）类似的体系结构。问题是，我的神经网络的输出形状是四维的，我不太确定如何使我的网络的最后一层——Softmax层，以及损失函数（可以是SparseCategoricCross熵或CategicCross熵）“处理”四维输出

我需要Softmax在维度1、2和3上求和（所有维度没有样本维度0），而不是一个特定维度。我发现您可以将Keras中的Softmax层作为一个整数列表，而不是一个轴作为axis参数（请参见https://www.tensorflow.org/api_docs/python/tf/keras/layers/Softmax），我尝试使用axis=[1, 2, 3]，但是如果这不起作用，请纠正我。对于loss函数，我看到CategoricalCrossentropy loss没有axis参数。至于SparseCategoricalCrossentropy有一个axis参数，但我没有看到整数列表可以作为axis参数传递给它

在我的代码中，我尝试使用CategoricalCrossentropy（每个样本有一个形状为（8,8,73）的热编码标签）和SparseCategoricCrossEntropy（每个样本有一个形状为（3）的标签，指示正确的三个索引），但它们都给出了错误/奇怪的结果（例如：在只训练了10场比赛（有时准确率高达50%）和其他奇怪的结果后，精度非常高），因此我被迫在Softmax层之前展平输入，然后将结果索引转换回原来的三个索引形式，以匹配形状（8、8、73）

如果你有多维问题的解决方案，我将不胜感激