我有一个用于多标签分类的简单Keras代码，
from keras.models import Sequentialfrom keras.layers import Conv2D, GlobalAveragePooling2D, Dense, MaxPooling2D, Flattenfrom keras.callbacks import EarlyStoppingimport keras(x_train, y_train), (x_test, y_test) = keras.datasets.fashion_mnist.load_data()model = Sequential()model.add(Conv2D(64, (3,3), activation='relu', padding='same', input_shape=(x_train.shape[1],x_train.shape[2],1)))model.add(MaxPooling2D(pool_size=(2, 2)))model.add(Conv2D(64, (3, 3), activation='relu', padding='same'))model.add(MaxPooling2D(pool_size=(2, 2)))model.add(Flatten())#model.add(Dense(128, activation='relu'))model.add(Dense(10, activation='softmax'))model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])model.summary()摘要，
现在，如您所见，在最后一层我使用了’sigmoid’，但由于这是多标签分类，我希望使用sigmoid。然而，如果我这样做，我会得到以下错误。
ValueError: 检查目标时出错：期望dense_2的形状为(10,)，但得到的数组形状为(1,)
这里的解决方法是什么？
回答：
将loss='binary_crossentropy'更改为loss='sparse_categorical_crossentropy'。
当标签是独热编码时使用categorical_crossentropy。否则，使用sparse_categorical_crossentropy。
binary_crossentropy在有两个类的情况下使用，它输出一个单一的神经元（或者在多输出分类的情况下可以输出多个神经元）。例如，如果神经元的值大于0.5，则选择类1，否则选择类0（或者如果值低于某个阈值，则不选择任何类）。
另外，在某些keras/tf.keras版本中，时尚MNIST数据集没有通道维度，因此您需要手动添加它：
x_train, x_test = np.expand_dims(x_train, -1), np.expand_dims(x_test, -1)