Keras模型model.predict输出2个值异常，训练报错求助

问题1：model.predict输出不符合预期的数值数量 #

你代码里最后一层是Dense(1, activation='softmax')，单神经元用softmax激活时，输出永远是[1.0]，如果觉得输出是“两个值”，大概率是误解了输出格式——比如预测结果的shape是(1,1)，打印时呈现为类似[[1.]]的形式，看起来像两个值，但实际是单个值的二维数组格式。核心问题还是模型结构与损失函数不匹配导致的逻辑混乱。

问题2：InvalidArgumentError：标签值1超出[0,1)范围 #

这个错误的根源是损失函数、模型最后一层结构、标签类型三者不匹配：

• sparse_categorical_crossentropy损失适用于多分类任务，要求标签是从0开始的连续整数（比如n类的话，标签范围必须是0到n-1），且模型最后一层的神经元数量必须等于类别总数，激活函数用softmax。
• 你的模型最后一层只定义了1个神经元，相当于只对应1个类别，但标签里出现了1，超出了[0,1)的有效范围（1类任务的标签只能是0）。

统一修复方案（推测你是二分类任务，标签为0和1） #

方案1：二分类最优配置（sigmoid+二元交叉熵）

修改模型最后一层和损失函数：

# 最后一层改用sigmoid激活，保持1个神经元
model.add(Dense(1, activation='sigmoid'))
# 损失函数替换为二元交叉熵
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

此时model.predict输出的是样本属于类别1的概率，shape为(样本数,1)，符合你预期的单个值逻辑。

方案2：多分类方式适配二分类（softmax+稀疏多分类交叉熵）

如果坚持使用sparse_categorical_crossentropy，需要将最后一层神经元数量改为2（对应2个类别）：

# 最后一层改为2个神经元+softmax激活
model.add(Dense(2, activation='softmax'))
# 损失函数保持sparse_categorical_crossentropy
model.compile(loss='sparse_categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

此时model.predict输出每个样本属于两个类别的概率，shape为(样本数,2)，可通过np.argmax(predictions, axis=1)得到最终分类结果。

额外提示 #

• 确认y_train的标签值：二分类任务下标签只能是0和1；如果是独热编码格式的标签，需改用categorical_crossentropy损失。
• 你模型中Dropout层占比过高（连续多层0.25比例），可能导致模型欠拟合，训练时可适当降低Dropout比例或减少层数。

内容的提问来源于stack exchange，提问作者tang