我也没有太多可以说的，只是我在运行以下代码时遇到了一个无法解决的错误。

import tensorflow as tfimport matplotlib.pyplot as plt(x_train, y_train), (x_test, y_test) = tf.keras.datasets.cifar10.load_data()inpTensor = tf.keras.layers.Input(x_train.shape[1:],)hidden1Out = tf.keras.layers.Dense(units=128, activation=tf.nn.relu)(inpTensor)hidden2Out = tf.keras.layers.Dense(units=128, activation=tf.nn.relu)(hidden1Out)  finalOut = tf.keras.layers.Dense(units=10, activation=tf.nn.softmax)(hidden2Out)model = tf.keras.Model(inputs=inpTensor, outputs=finalOut)model.summary()model.compile(optimizer='adam',              loss='sparse_categorical_crossentropy',              metrics=['accuracy'])model.fit(x_train,y_train, epochs = 4)

我尝试将损失函数改为’categorical_crossentropy’，但似乎也没有效果。我使用的是Python 3.7，非常希望能得到一些帮助。我在这方面也是新手。

提前感谢。

回答：

问题在于你如何管理网络中的维度…你接收的是3D图像，但没有转换为2D来获取概率…这可以通过使用Flatten或全局池化操作简单地解决。你的情况下使用sparse_categorical_crossentropy是正确的。这里是一个示例

import tensorflow as tfimport matplotlib.pyplot as plt(x_train, y_train), (x_test, y_test) = tf.keras.datasets.cifar10.load_data()inpTensor = tf.keras.layers.Input(x_train.shape[1:],)hidden1Out = tf.keras.layers.Dense(units=128, activation=tf.nn.relu)(inpTensor)hidden2Out = tf.keras.layers.Dense(units=128, activation=tf.nn.relu)(hidden1Out)pooling = tf.keras.layers.GlobalMaxPool2D()(hidden2Out) #<== GlobalAvgPool2D或Flatten也可以finalOut = tf.keras.layers.Dense(units=10, activation=tf.nn.softmax)(pooling)model = tf.keras.Model(inputs=inpTensor, outputs=finalOut)model.summary()model.compile(optimizer='adam',              loss='sparse_categorical_crossentropy',              metrics=['accuracy'])model.fit(x_train,y_train, epochs = 4)