我想预测图像的类别。这些类别存储在一个标签数组中：array([0., 0., 1., ..., 2., 2., 0.], dtype=float32)我有3个类别（0、1和2）

我的模型看起来像这样：

model = Sequential([Conv2D(16, 3, padding='same', activation='relu',        input_shape=(64, 64 ,3)),MaxPooling2D(),Dropout(0.5),Conv2D(32, 3, padding='same', activation='relu'),MaxPooling2D(),Conv2D(64, 3, padding='same', activation='relu'),MaxPooling2D(),Dropout(0.5),Flatten(),Dense(512, activation='relu'),Dense(256),Dense(3, activation = 'relu')])

当我将最后一个Dense层的形状设置为3时，训练过程中损失和准确率完全没有变化。当我将最后一个Dense层的形状增加到5时，训练过程正常进行。为什么形状为三时不起作用呢？我毕竟有三个类别啊。

model.compile(optimizer='adam',              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),              metrics=['sparse_categorical_accuracy'])history = model.fit(train_images, train_labels,                    epochs=num_epochs,                    validation_data=(val_images, val_labels),                    callbacks = [tensorboard])

我也测试了sgd优化器，结果相同

回答：

你似乎在进行多类分类，但你在输出层的激活函数使用了relu。对于多类分类，你应该在最后一层使用softmax，并确保该层的神经元数量等于你要分类的类别数量。