开发多分类输出时使用Categorical Crossentropy遇ValueError请求详解

嘿，我来帮你把这个问题掰扯清楚！你现在在做7分类任务（类别A到G），遇到的这个错误核心就是目标标签的格式和你用的损失函数不兼容。

先看你贴的错误提示：

ValueError: You are passing a target array of shape (79, 1) while using as loss categorical_crossentropy . categorical_crossentropy expects targets to be binary matrices (1s and 0s) of shape (samples, classes). If your targets are integer classes, you can convert them to the expected format via: from keras.utils.np_utils import to_categorical y_binary = to_categor...

错误原因拆解 #

你现在传入的目标数组是形状为(79,1)的整数标签（比如每个样本对应0-6的整数，分别对应A到G），但categorical_crossentropy这个损失函数，要求目标数据必须是独热编码（one-hot encoding）的二进制矩阵——简单说就是每个样本的标签要变成一个长度等于类别数的数组，只有对应类别的位置是1，其余全是0。比如类别A（假设对应整数0）会变成[1,0,0,0,0,0,0]，你的79个样本就需要是形状为(79,7)的数组。

两种解决方案，任你选 #

方案1：把整数标签转成独热编码

直接用Keras提供的工具函数转换，代码如下：

from keras.utils.np_utils import to_categorical

# 先把你的(79,1)标签转成一维数组（如果是二维的话）
y = y.reshape(-1)
# 转换为独热编码，num_classes设为你的类别数7
y_one_hot = to_categorical(y, num_classes=7)

之后训练模型时，用y_one_hot作为目标数据就可以了。

方案2：改用适配整数标签的损失函数

如果你不想折腾格式转换，可以直接把损失函数换成sparse_categorical_crossentropy，它专门支持整数形式的目标标签，不用做任何格式修改。比如模型编译的时候这么写：

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

这样直接用你原来的(79,1)形状标签数组就行，省心不少。

额外注意点 #

不管用哪种方案，你的模型最后一层的激活函数都应该用softmax，并且输出维度要设置为7（对应你的7个分类类别）哦。

内容的提问来源于stack exchange，提问作者Haraldii