TensorFlow模型predict返回随机浮点数，未输出3类概率问题求助

我的模型接收类似'USD'的输入并预测其类别，类别定义如下：

• 0=book name
• 1=currency
• 2=security number

训练、验证及测试集的结构示例如下：

Value          Label
0   CAT_USD_CORP          0
1   USD                   1
2   US348595EV89          2
3   ATTR_IRT_LDN_ISD_ISD  0
4   CAD                   1
              ...   

我用以下代码训练并测试模型，运行正常且准确率良好：

model = tf.keras.Sequential([
  feature_layer,
  layers.Dense(128, activation='relu'),
  layers.Dense(128, activation='relu'),
  layers.Dropout(.1),
  layers.Dense(1)
])

model.compile(optimizer='adam',
              loss=tf.keras.losses.BinaryCrossentropy(from_logits=True),
              metrics=['accuracy'])

model.fit(train_ds,
          validation_data=val_ds,
          epochs=12)

loss, accuracy = model.evaluate(test_ds)
print("Accuracy", accuracy)

但输入值预测时，模型总是返回随机浮点数数组，而非三类类别的概率。例如：

• model.predict(np.array(['USD'])) 返回 array([[1195770.]], dtype=float32)
• model.predict(np.array(['US568A45EV89'])) 返回 array([[1938599.4]], dtype=float32)

预期模型返回包含3个概率值的数组，对应三个类别的概率。

问题出在模型的输出层配置和损失函数选择上，属于多分类任务的典型配置错误，修改步骤如下：

1. 调整输出层结构
   当前输出层仅1个神经元，对应二分类任务。需将输出层神经元数量改为3（匹配3个类别），并添加softmax激活函数，让输出的3个值成为总和为1的概率分布：

model = tf.keras.Sequential([
  feature_layer,
  layers.Dense(128, activation='relu'),
  layers.Dense(128, activation='relu'),
  layers.Dropout(.1),
  layers.Dense(3, activation='softmax')  # 修改：3个神经元 + softmax激活
])

2. 更换损失函数
   多分类任务不能使用BinaryCrossentropy，需换成SparseCategoricalCrossentropy（因你的标签是整数形式，如0、1、2）：

model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(),
              metrics=['accuracy'])

若标签是one-hot编码形式，则用CategoricalCrossentropy，但根据数据集示例，标签为整数，SparseCategoricalCrossentropy更适配。

3. 预测结果处理
   修改后，model.predict(np.array(['USD']))会返回类似array([[0.01, 0.97, 0.02]], dtype=float32)的结果，三个值分别对应类别0、1、2的概率。若需直接得到预测的类别索引，可使用np.argmax()：

pred_probs = model.predict(np.array(['USD']))
pred_class = np.argmax(pred_probs, axis=1)  # 得到类别索引，如[1]

内容的提问来源于stack exchange，提问作者Daniel Wu