使用sparse_categorical_crossentropy训练Keras模型时出现InvalidArgumentError

错误根源 #

• 最后一层激活函数误用：Dense(1, activation='softmax')完全不符合需求，softmax用于多分类场景（输出维度等于类别数），当输出维度为1时，softmax的结果永远是1，无法实现分类区分。
• 损失函数与任务不匹配：sparse_categorical_crossentropy是为多分类任务设计的（类别数≥2，标签为整数索引），但你需要的是单输出分类，两者不兼容，直接导致标签值1超出[0,1)的错误提示。

修正方案（适配单输出二分类任务） #

针对你希望生成单个输出的需求，调整模型的最后一层和损失函数即可解决问题：

修正后的完整代码 #

model = Sequential()

model.add(Dense(32, input_dim=x_train.shape[1], activation='relu'))
model.add(Dropout(0.25))  
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.25))
model.add(Dense(32, activation='relu'))
model.add(Dropout(0.25))
model.add(Dense(8, activation='relu'))
model.add(Dropout(0.25))
# 将softmax替换为sigmoid，适配二分类单输出场景
model.add(Dense(1, activation='sigmoid'))

# 将损失函数替换为binary_crossentropy，匹配二分类任务
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
model.fit(x_train, y_train, epochs=10, batch_size=64)


print("Generate predictions")
predictions = model.predict(x_train[:1])
print(x_train.shape)
print(predictions)
print("predictions shape:", predictions.shape)

关键改动说明 #

1. 激活函数改为sigmoid：sigmoid会将输出压缩到0-1区间，代表样本属于正类（标签1）的概率，完全符合单输出二分类的需求。
2. 损失函数改为binary_crossentropy：该损失专门用于二分类任务，与sigmoid激活函数搭配，能正确计算0/1标签下的损失值。

额外检查 #

确保y_train中的标签值仅包含0和1两种，没有其他超出范围的数值，否则仍会触发类似错误。

内容的提问来源于stack exchange，提问作者tang