使用image_dataset_from_directory时损失函数选择困惑与输出行为咨询

核心逻辑说明 #

你当前的代码逻辑是自洽的，原因很明确：

• image_dataset_from_directory生成的数据集，标签默认是整数索引格式（二分类场景下标签为0或1），并非独热编码。
• sparse_categorical_crossentropy损失函数就是专门适配「整数标签 + softmax输出」这种组合的，它会自动在计算过程中把整数标签转换为独热编码形式，和模型的输出做交叉熵计算——所以你看到模型输出是独热格式，但用sparse损失完全能正常工作。

切换到categorical_crossentropy的具体步骤 #

如果你确实想改用categorical_crossentropy，需要让数据集标签格式和损失函数要求匹配（该损失要求标签为独热编码），有两种实现方式：

方式一：手动转换标签格式

给训练和验证数据集添加独热编码转换：

import tensorflow as tf

# 定义标签转换函数
def one_hot_encode(image, label):
    label = tf.one_hot(label, depth=2)  # depth对应你的类别总数，这里是2
    return image, label

# 应用到数据集
train_ds = train_ds.map(one_hot_encode)
val_ds = val_ds.map(one_hot_encode)

# 修改模型编译的损失函数
rn50v2_model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

方式二：直接生成独热标签

利用image_dataset_from_directory的label_mode参数，直接生成独热编码格式的标签：

# 训练集生成时指定label_mode
train_ds = tf.keras.utils.image_dataset_from_directory(
  '/content/dataset/train',
  validation_split=0.05,
  subset="training",
  seed=123,
  image_size=(IMAGE_SIZE, IMAGE_SIZE),
  batch_size=BATCH_SIZE,
  label_mode='categorical'  # 直接输出独热标签
)

# 验证集同理
val_ds = tf.keras.preprocessing.image_dataset_from_directory(
    '/content/dataset/val', 
    image_size=(IMAGE_SIZE, IMAGE_SIZE), 
    batch_size=BATCH_SIZE,
    label_mode='categorical'
)

# 直接使用categorical_crossentropy
rn50v2_model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

额外建议 #

二分类场景下，你也可以简化模型和损失的搭配：把模型最后一层改为Dense(1, activation='sigmoid')，搭配binary_crossentropy损失，这样标签依然可以用整数格式，模型输出是单个概率值，计算效率会更高。

内容的提问来源于stack exchange，提问作者EdgeDev