如何训练一个数据集，其中每个标签的形状为[5,30]？例如：
[ [ 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 54, 55, 21, 56, 57, 3, 22, 19, 58, 6, 59, 4, 60, 1, 61, 62, 23, 63, 23, 64], [ 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 65, 7, 66, 2, 67, 68, 3, 69, 70], [ 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 11, 12, 5, 13, 14, 9, 10, 5, 15, 16, 17, 2, 8], [ 0, 0, 0, 0, 0, 2, 71, 1, 72, 73, 74, 7, 75, 76, 77, 3, 20, 78, 18, 79, 1, 21, 80, 81, 3, 82, 83, 84, 6, 85], [ 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 2, 86, 87, 3, 88, 89, 1, 90, 91, 22, 92, 93, 4, 6, 94]]一种方法是将标签重塑为[150]，但这会使分词后的句子失去意义。请建议我如何安排keras层以及使用哪些层来构建模型？我希望能够在以后生成句子。
我目前的模型代码如下：
model = tf.keras.Sequential([ feature_layer, layers.Dense(128, activation='relu'), layers.Dense(128, activation='relu'), layers.Dropout(.1), layers.Dense(5), layers.Dense(30, activation='softmax'), ]) opt = Adam(learning_rate=0.01) model.compile(optimizer=opt, loss='mean_absolute_percentage_error', metrics=['accuracy']) 实际数据如下：
| 州 | 区 | 月份 | 降雨量 | 最高温度 | 最低温度 | 最高湿度 | 最低湿度 | 风速 | 建议 |
|---|---|---|---|---|---|---|---|---|---|
| 奥里萨 | 肯德拉帕拉 | 二月 | 0.0 | 34.6 | 19.4 | 88.2 | 29.6 | 12.0 | 水稻作物有发生脚腐病的风险；在移植后3周的活跃分蘖期施用尿素；…… |
| 贾坎德 | 萨赖凯拉-卡尔萨万 | 二月 | 0 | 35.2 | 16.6 | 29.4 | 11.2 | 3.6 | 提供秸秆覆盖并进行田间管理操作以避免土壤水分流失；马铃薯作物有发生叶枯病的风险；……. |
我需要能够生成这些建议。
回答：
如果你认为输出需要保持这种形状（而不是扁平化），最简单（也是我认为正确的解决方案）是使用多输出网络，每个输出都有一个layers.Dense(30,activation='softmax')。
你可以这样做：
def create_model(): base_model = .... (堆叠的Dense单元 + 其他) # 你甚至可以创建多输入多输出的模型，如果你真的需要的话。 first_output = Dense(30,activation='softmax',name='output_1')(base_model) second_output = Dense(30,activation='softmax',name='output_2')(base_model) ... fifth_output = Dense(30,activation='softmax',name='output_5')(base_model) model = Model(inputs=input_layer, outputs=[first_output,second_output,third_output,fourth_output,fifth_output]) return modeloptimizer = tf.keras.optimizers.Adam()model.compile(optimizer=optimizer, loss={'output_1': 'sparse_categorical_crossentropy', 'output_2': 'sparse_categorical_crossentropy', 'output_3': 'sparse_categorical_crossentropy', 'output_4': 'sparse_categorical_crossentropy', 'output_5': 'sparse_categorical_crossentropy'}, metrics={'output_1':tf.keras.metrics.Accuracy(), 'output_2':tf.keras.metrics.Accuracy(), 'output_3':tf.keras.metrics.Accuracy(), 'output_4':tf.keras.metrics.Accuracy(), 'output_5':tf.keras.metrics.Accuracy()})model.fit(X, y, epochs=100, batch_size=10, validation_data=(val_X, val_y))在这里，请注意y（用于训练和验证的）是一个长度为5（输出数量）的numpy数组，每个元素的长度为30。
再次确认你确实需要这种配置；我发布这个答案是为了展示TensorFlow和Keras中的多输出标签，并且为了其他人的利益，但我并不100%确定你确实需要这个确切的配置（或许你可以选择更简单的方案）。
注意sparse_categorical_crossentropy的使用，因为你的标签不是独热编码的（另外，MAPE用于回归，而不是分类）。
