我有一个这样的numpy数组：
[[0. 1. 1. ... 0. 0. 1.] [0. 0. 0. ... 0. 0. 1.] [0. 0. 1. ... 0. 0. 0.] ... [0. 0. 0. ... 0. 0. 1.] [0. 0. 0. ... 0. 0. 1.] [0. 0. 0. ... 1. 0. 1.]]我这样转换它以减少内存需求：
x_val = x_val.astype(np.int)结果变成这样：
[[0 1 1 ... 0 0 1] [0 0 0 ... 0 0 1] [0 0 1 ... 0 0 0] ... [0 0 0 ... 0 0 1] [0 0 0 ... 0 0 1] [0 0 0 ... 1 0 1]]然而，当我这样做时：
x_val = to_categorical(x_val)我得到的是：
in to_categorical categorical = np.zeros((n, num_classes), dtype=np.float32)MemoryError为什么会这样呢？最终，这个numpy数组包含一个二分类问题的标签。到目前为止，我在Keras ANN中使用float32格式运行得很好，并且取得了不错的性能。那么，运行to_categorical真的有必要吗？
回答：
你不需要使用to_categorical，因为我猜你在做多标签分类。为了避免任何混淆，让我解释一下。
如果你在做二分类，即每个样本只能属于两个类别中的一个，例如猫与狗、快乐与悲伤、正面评价与负面评价，那么：
- 标签应该像
[0 1 0 0 1 ... 0]，形状为(n_samples,)，即每个样本有一个标签（例如猫为1，狗为0）。 - 最后一层的激活函数通常是
sigmoid（或任何其他输出范围在[0,1]的函数）。 - 通常使用的损失函数是
binary_crossentropy。
如果你在做多类分类，即每个样本只能属于多个类别中的一个，例如猫与狗与狮子、快乐与中立与悲伤、正面评价与中立评价与负面评价，那么：
- 标签可以是一热编码，即
[1, 0, 0]对应猫，[0, 1, 0]对应狗，[0, 0, 1]对应狮子，这种情况下标签的形状为(n_samples, n_classes)；或者它们可以是整数（即稀疏标签），即1对应猫，2对应狗，3对应狮子，这种情况下标签的形状为(n_samples,)。to_categorical函数用于将稀疏标签转换为一热编码标签，当然如果你希望这样做的话。 - 使用的激活函数通常是
softmax。 - 使用的损失函数取决于标签的格式：如果它们是一热编码，则使用
categorical_crossentropy，如果它们是稀疏的，则使用sparse_categorical_crossentropy。
如果你在做多标签分类，即每个样本可以属于零个、一个或多个类别，例如一张图片可能同时包含猫和狗，那么：
- 标签应该像
[[1 0 0 1 ... 0], ..., [0 0 1 0 ... 1]]，形状为(n_samples, n_classes)。例如，标签[1 1]表示相应的样本属于两个类别（例如猫和狗）。 - 使用的激活函数是
sigmoid，因为假设每个类别是独立的。 - 使用的损失函数是
binary_crossentropy。
