TensorFlow中10节点softmax输出层如何与整数标签匹配？

你贴的相关代码如下：

ffnn = Sequential([
    Flatten(input_shape=X_train.shape[1:]),
    Dense(512, activation='relu'),
    Dropout(0.2),
    Dense(512, activation='relu'),
    Dropout(0.2),
    Dense(10, activation='softmax')
])

ffnn_history = ffnn.fit(X_train,
                        y_train,
                        batch_size=batch_size,
                        epochs=epochs,
                        validation_split=0.2,
                        callbacks=[checkpointer, early_stopping],
                        verbose=1,
                        shuffle=True)

ffnn_accuracy = ffnn.evaluate(X_test, y_test, verbose=0)[1]

核心逻辑说明 #

你观察到的自动匹配是TensorFlow损失函数和评估指标内部实现的自动处理，分两个阶段解释：

1. 训练阶段的匹配规则

你给出的代码省略了模型compile步骤，该步骤必然使用了SparseCategoricalCrossentropy作为损失函数：

• 这个损失原生支持整数类型的类别标签，不需要你提前把标签转成10维的one-hot编码
• 它内部会自动将整数标签（比如标签值为5）映射到10维输出向量的索引5位置，直接用该位置的概率值计算交叉熵损失，全程不需要你手动转换输出向量的格式

2. 评估阶段的准确率计算规则

你调用evaluate拿到的准确率指标，默认对应SparseCategoricalAccuracy评估指标：

• 该指标内部会自动对10维输出向量执行argmax操作，取概率最大的维度对应的索引作为预测的整数类别
• 自动将得到的预测整数和输入的整数标签做对比，统计一致的样本占比得到准确率，转换和对比过程都不需要你手动实现

手动预测的额外说明

只有当你自己调用predict方法获取原始输出的时候，才需要手动做转换：

import numpy as np
# 拿到的preds是[样本数, 10]的概率矩阵
preds = ffnn.predict(X_test)
# 手动转换为整数预测结果
pred_labels = np.argmax(preds, axis=1)

内容的提问来源于stack exchange，提问作者user900476