我正在尝试使用Keras进行情感分类。我尝试使用基本的神经网络（没有使用RNN或其他更复杂的类型）。然而，当我运行脚本时，在训练/评估过程中我没有看到准确性有所提高。我猜测我可能在设置输出层时出错了，但我并不确定。y_train是一个列表[1,2,3,1,2,4,5]（包含5个不同的标签），其中包含X_train_seq_padded中特征的目标。设置如下：

padding_len = 24 # 每个分词句子的长度
neurons = 16 # 填充文本长度的2/3
model = Sequential()
model.add(Dense(neurons, input_dim = padding_len, activation = 'relu', name = 'hidden-1'))
model.add(Dense(neurons, activation = 'relu', name = 'hidden-2'))
model.add(Dense(neurons, activation = 'relu', name = 'hidden-3'))
model.add(Dense(1, activation = 'sigmoid', name = 'output_layer'))
model.compile(optimizer = 'adam', loss = 'categorical_crossentropy', metrics=['accuracy'])
callbacks = [EarlyStopping(monitor = 'accuracy', patience = 5, mode = 'max')]
history = model.fit(X_train_seq_padded, y_train, epochs = 100, batch_size = 64, callbacks = callbacks)

回答：

首先，在您上面的设置中，如果您在最后一层的激活函数中选择了sigmoid，这通常用于二元分类或多标签分类，那么损失函数应为binary_crossentropy。

但是，如果您的标签表示为多类别并转换为独热编码，那么您的最后一层应为Dense(num_classes, activations='softmax')，损失函数应为categorical_crossentropy。

但是，如果您没有转换您的多类别标签而是使用整数，那么您的最后一层和损失函数应为

Dense(num_classes)  # 带有logits的SparseCategoricalCrossentropy(from_logits= True) 

或者，(@***)

Dense(num_classes, activation='softmax') # 带有概率的SparseCategoricalCrossentropy(from_logits=False)