我在处理一个图像分类问题。以下是我创建的模型

 model = Sequential() model.add(Dense(2048, activation='relu')) model.add(Dense(10, activation='softmax'))  model.compile(loss=loss_function,                 optimizer='Adam',                 metrics=['accuracy'])history = model.fit(features[train], labels[train],              batch_size=batch_size,              epochs=no_epochs,              verbose=verbosity,              validation_split=validation_split,shuffle=False)

数据集大小为8732

labels的初始形状是(8732 ,)。它是一个整数列表，每个整数代表一个类别。

类别的数量是10。

起初我想在fit()函数中使用之前对标签进行独热编码，因为我的输出层有10个节点，所以labels的形状变为(8732,10)，但这导致了一个错误

形状不匹配：标签的形状（接收到(20,)）应与logits的形状除最后一个维度外相同（接收到(2, 10)）。

因此我决定保持labels为整数数组，这样运行正常。

fit()函数是否会对标签进行独热编码？

predict()函数会返回10个值的数组还是仅返回一个整数？

谢谢大家，

回答：

1. fit()函数是否会对标签进行独热编码？

不会，fit()函数不会将你的标签转换为独热编码。它只是按原样接受你提供的输入和输出。

2. predict()函数会返回10个值的数组还是仅返回一个整数？

predict()函数会根据你的最后一层返回值。由于你的最后一层是具有10个单元的Dense()层，predict()函数将为每个输入返回10个输出值。

3. (声明) 因此我决定保持labels为整数数组，这样运行正常。

这是因为你使用了sparse_categorical_crossentropy()作为损失函数，它将最小化你的输入标签值与最大输出索引之间的差异。你可以通过一个例子更好地理解这一点。

希望这能解答你的疑问。