Keras使用SparseCategoricalCrossEntropy时如何匹配输出列与真实类别标签

SparseCategoricalCrossEntropy要求输入的真实标签为0 ~ 类别数-1的连续整数索引，你只需要提前建立离散原始标签和整数索引的固定映射关系，就能直接对应模型输出的每一列含义，无需使用独热编码，完全适配内存受限的场景：

• 生成固定标签映射表
  对你的5个原始标签[1.03, 2.07, -2.09, -974, 366]，分别分配0~4的唯一整数索引，生成双向映射字典：

  # 原始标签转训练用整数索引
  label_to_idx = {1.03:0, 2.07:1, -2.09:2, -974:3, 366:4}
  # 预测输出索引转原始标签
  idx_to_label = {v:k for k,v in label_to_idx.items()}
  

  该映射表需要在训练、预测全流程保持一致，此时模型输出的(None, 5)张量中，第i列就对应索引i的原始标签的预测概率，比如第0列对应标签1.03的概率，第1列对应2.07的概率，以此类推。
• 训练阶段适配
  把训练数据的原始标签全部通过label_to_idx转换为整数索引，直接传给SparseCategoricalCrossEntropy作为目标值即可，无需转换为独热编码，几乎不产生额外内存开销：

  loss_fn = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False)
  # 若模型最后一层未加softmax激活，将from_logits设置为True
  

• 预测阶段取值
  如果你需要获取某个原始标签对应的预测概率，先查映射表拿到对应索引，再取输出张量对应列的数值即可；如果你需要得到预测的原始标签，先通过tf.argmax(预测输出, axis=-1)得到预测的整数索引，再通过idx_to_label转换为原始标签值即可。

内容的提问来源于stack exchange，提问作者Nikhil Mishra