我的理解是“sparse_categorical_crossentropy”适合我的多分类问题，且不需要独热编码。我还降低了Adam优化器的学习率，以防预测结果过度跳跃。
我不确定自己在哪里理解错误或操作不当。
我的输入数据看起来类似于这样：
我的输出预测结果是标签：[1 2 3 4 5 6 7 8 9 10]（未进行独热编码）。每个数字代表我希望网络最终选择的类别。
print(x_train.shape)print(x_test.shape)x_train = x_train.reshape(x_train.shape[0], round(x_train.shape[1]/5), 5)x_test = x_test.reshape(x_test.shape[0], round(x_test.shape[1]/5), 5)print(x_train.shape)print(np.unique(y_train))print(len(np.unique(y_train)))input_shape = (x_train.shape[1], 5)adam = keras.optimizers.Adam(learning_rate=0.0001)model = Sequential()model.add(Conv1D(512, 5, activation='relu', input_shape=input_shape))model.add(Conv1D(512, 5, activation='relu'))model.add(MaxPooling1D(3))model.add(Conv1D(512, 5, activation='relu'))model.add(Conv1D(512, 5, activation='relu'))model.add(GlobalAveragePooling1D())model.add(Dropout(0.5))model.add(Dense(1, activation='sigmoid'))model.compile(loss='sparse_categorical_crossentropy', optimizer=adam, metrics=['accuracy']) model.fit(x_train, y_train, batch_size=32, epochs=25, validation_data=(x_test, y_test))print(model.summary())这是错误结果：
模型层（如果有帮助）：
回答：
我认为你的方法中有两个主要问题
你的标签是从1到10…它们必须从0开始，这样才能在0到9的范围内。这可以通过简单地执行y_train-1和y_test-1来实现（如果y_test和y_train是numpy数组的话）。
你的网络的最后一层必须是Dense(10, activation='softmax')，其中10是需要预测的类别数量，softmax用于生成多类问题的概率。
使用sparse_categorical_crossentropy是可以的，因为你的目标是整数编码的。
