在Keras手写数字分类任务中，model.fit()里y_train的作用是什么？

问题背景 #

我正在处理手写数字数据集，数据加载方式如下：

(X_train, y_train), (X_test, y_test) = keras.datasets.mnist.load_data()

用于数字分类的神经网络代码如下：

model = keras.Sequential([
    keras.layers.Dense(10, input_shape=(784,), activation='sigmoid')
])

model.compile(
    optimizer='adam', 
    loss = 'sparse_categorical_crossentropy',
    metrics = ['accuracy']
)
model.fit(X_train_flattened, y_train, epochs=5)

我的问题是：**在model.fit()中，y_train的作用是什么？**这是一个分类任务，我认为网络训练只需要输入X_train_flattened即可。

解答 #

你的这个理解有误，这个场景下的神经网络训练属于监督学习，没有y_train（真实标签）的话，模型根本无法完成有效训练。

具体到这个MNIST任务：

• X_train_flattened是输入的手写图像特征（扁平化后的784维像素值），模型会基于这些特征输出10维的预测结果（对应0-9每个数字的概率）。
• y_train是每一张训练图像对应的真实数字标签（比如某张图是数字"3"，对应的标签就是3）。

训练过程中，模型会把自己的预测结果和y_train里的真实标签做对比，通过你设置的sparse_categorical_crossentropy损失函数计算两者的差异，再借助adam优化器根据这个差异反向调整网络中的权重参数，让模型后续的预测结果越来越接近真实标签。

说白了，y_train就是模型训练时的"参考答案"——没有它，模型就是在无目标地瞎猜，根本学不到区分不同手写数字的规律。

内容的提问来源于stack exchange，提问作者levi mungai