我需要帮助来构建用于分类的Keras模型。我有
输入：167个光谱点
输出：11类被调查的物质
但在一个数据集中可以包含几种物质的光谱（例如包含2、3、4类）。我尝试使用categorical_crossentropy，但它只适用于不相交的类别。
注意：当使用categorical_crossentropy损失函数时，你的目标应为分类格式（例如，如果你有10个类别，每个样本的目标应为一个10维向量，除了对应样本类别的索引位置为1外，其余全为0）。为了将整数目标转换为分类目标，你可以使用Keras的to_categorical工具：
我的代码：
model = Sequential()model.add(Dense(64, input_dim=167))model.add(Dense(32))model.add(Dense(11))model.add(Activation('sigmoid'))model.compile(loss='categorical_crossentropy', optimizer='rmsprop', metrics=['accuracy'])我尝试了许多模型，但无法获得好的结果。
回答：
你可能更适合使用sigmoid和binary_crossentropy（参见这里）
附注：这不是你的情况，但对于categorical_crossentropy，你 ideally应该使用softmax激活函数。softmax输出是针对最大化单一类别优化的结果。
（如果有人想补充一个好的或更好的“优化器”，请随意补充）。
