Keras是否仅支持二进制输出？设置非二进制输出时准确率为0是什么原因

Keras完全支持多分类、回归等非二进制输出场景，你遇到的问题是代码配置与任务不匹配导致的，具体原因和修改方案如下：

问题原因 #

• 输出层激活函数错误：当前输出层使用的sigmoid激活输出范围固定为0~1，无法输出大于1的数值，完全不可能匹配[1,2,3]的标签，预测值和真实值无匹配项，准确率自然为0。
• 损失函数不匹配：你当前使用的mean_squared_logarithmic_error是回归任务损失，若你的[1,2,3]是分类标签，需要使用分类任务对应的损失函数。
• 评估指标逻辑不匹配：默认配置下，单输出sigmoid对应的准确率是二分类判断逻辑（预测值>0.5判定为1，否则为0），完全无法适配3分类的判断规则。

修改方案 #

若你做的是3分类任务 #

按如下规则调整代码：

1. 标签预处理：将原标签[1,2,3]调整为[0,1,2]，符合分类任务标签从0起始的默认规则
2. 调整模型结构：输出层单元数改为3，激活函数换为softmax，输出3个类别的预测概率
3. 调整编译参数：损失函数改用sparse_categorical_crossentropy（无需对标签做独热编码），若你已提前对标签做独热编码，可改用categorical_crossentropy

修改后的核心代码示例：

from keras.models import Sequential
from keras.layers import Dense
import numpy
from numpy import loadtxt

numpy.random.seed(7)

dataset = loadtxt('Trial.csv', delimiter=',')
X = dataset[:,0:2]
Data_1 = X.astype('float32')
y = dataset[:,3]
# 标签转0起始
Data_2 = (y - 1).astype("int32")

model = Sequential()
# 中间层建议用relu替换sigmoid，避免梯度消失，训练效果更好
model.add(Dense(64, input_dim=2, activation='relu'))
model.add(Dense(64, activation='relu'))
# 3分类输出层
model.add(Dense(3, activation='softmax'))

model.compile(loss='sparse_categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
model.fit(Data_1, Data_2, epochs=15, batch_size=100)

_, accuracy = model.evaluate(Data_1, Data_2)
print('Accuracy: %.2f' % (accuracy*100))

若你做的是回归任务 #

如果[1,2,3]是连续预测值而非分类标签，你不应该使用accuracy作为评估指标，准确率是分类任务专属指标，回归任务应使用MAE、MSE等回归指标，调整方式如下：

model = Sequential()
model.add(Dense(64, input_dim=2, activation='relu'))
model.add(Dense(64, activation='relu'))
# 回归任务输出层不需要激活
model.add(Dense(1))
# 改用回归损失和回归评估指标
model.compile(loss='mse', optimizer='adam', metrics=['mae'])

内容的提问来源于stack exchange，提问作者Abdelrahman Elwakeel