如何生成符合categorical_crossentropy要求的多分类预测输出？

现有5个3维数据点，对应0-9共10类标签，已用to_categorical将标签转为独热编码格式。当前随机初始化theta为(3,1)，通过矩阵运算与sigmoid激活得到形状为(5,1)的y_pred，无法适配categorical_crossentropy损失的输入要求（需与y_true的(5,10)形状匹配），需调整得到符合要求的y_pred。

相关数据与代码 #

XTrain（5个3维数据点） #

[[0.20861965 0.47901568 0.92075312], 
[0.96175914 0.70659989 0.82364516], 
[0.51805523 0.42727509 0.92545694], 
[0.4061363  0.55752676 0.56914541], 
[0.47859976 0.81323072 0.042954  ]]

原始标签y_true #

[5 5 0 9 3] 

独热编码后的y_true（形状(5,10)） #

[[0. 0. 0. 0. 0. 1. 0. 0. 0. 0.], 
[0. 0. 0. 0. 0. 1. 0. 0. 0. 0.], 
[1. 0. 0. 0. 0. 0. 0. 0. 0. 0.], 
[0. 0. 0. 0. 0. 0. 0. 0. 0. 1.], 
[0. 0. 0. 1. 0. 0. 0. 0. 0. 0.]] 

当前生成y_pred的代码（形状不匹配） #

theta = np.random.normal(size=(3, 1))
a = np.matmul(XTrain, theta)
y_pred = tf.nn.sigmoid(a)

调整方案 #

核心是修正输出层维度与激活函数，适配10分类任务的要求：

• 调整theta形状：从(3,1)改为(3,10)，让矩阵运算后得到每个样本的10个类别得分，形状为(5,10)
• 替换激活函数：用softmax替代sigmoid，将10个类别得分转换为和为1的概率分布，完美匹配独热编码的y_true格式

调整后的代码：

# 初始化theta为(3,10)，对应3个输入特征到10个输出类别
theta = np.random.normal(size=(3, 10))
# 矩阵运算得到每个样本的10个类别得分，形状(5,10)
a = np.matmul(XTrain, theta)
# softmax激活生成概率分布，形状(5,10)，与y_true完全匹配
y_pred = tf.nn.softmax(a)

补充说明：

• sigmoid适用于二分类或多标签任务，每个输出独立计算概率；softmax适用于单标签多分类任务，保证所有类别概率和为1，这正是categorical_crossentropy要求的输入格式。
• 调整后y_pred的形状(5,10)与y_true一致，可直接代入损失函数计算。

内容的提问来源于stack exchange，提问作者MUST_DIE