当我将CNN模型中的类别从2个增加到4个时，遇到了错误。很多人帮助我解决了这些问题，比如我需要将损失函数改为sparse_categorical_crossentropy，并调整最后一层的激活函数。

model.compile(loss='sparse_categorical_crossentropy',              optimizer='adam',              metrics=['accuracy'])history = model.fit_generator(    train_generator,    steps_per_epoch=nb_train_samples//batch_size,    epochs=epochs,    validation_data = validation_generator,     validation_steps = validation_generator.samples // batch_size,)

我感到困惑的是，我不得不将损失函数从binary_crossentropy改为categorical_crossenpropy。我想知道对于4个类别，我是否应该将class_mode从binary改为categorical，还是应该保持为binary。

train_datagen=ImageDataGenerator(    rescale=1./255,    shear_range=0.2,    zoom_range=0.2,    horizontal_flip = True,    #vertical_flip = True,    validation_split=0.2,    brightness_range=[0.5, 1.5])#test_datagen = ImageDataGenerator( #   rescale=1./255, #   #)train_generator = train_datagen.flow_from_directory(    train_data_dir,    target_size=(img_width,img_height),    batch_size=batch_size,    shuffle=True,    class_mode='binary',    subset='training')validation_generator = train_datagen.flow_from_directory(    train_data_dir, # same directory as training data    target_size=(img_height, img_width),    batch_size=batch_size,    class_mode='binary',    subset='validation'    #validation_data_dir,    #target_size=(img_width,img_height),    #batch_size=batch_size,    #class_mode='binary')

回答：

我认为阅读文档将是一个很好的起点。它会回答你所有的问题，甚至更多。

class_mode：可以是”categorical”、”binary”、”sparse”、”input”或None。默认值为”categorical”。决定返回的标签数组类型： – “categorical”将返回2D的一热编码标签， – “binary”将返回1D的二进制标签，”sparse”将返回1D的整数标签， – “input”将返回与输入图像相同的图像（主要用于自编码器）。 – 如果为None，则不返回标签（生成器只会产生图像数据批次，这对于使用model.predict_generator()很有用）。请注意，如果class_mode为None，数据仍然需要位于directory的子目录中才能正常工作。

所以，如果你选择categorical作为class_mode，你应该使用categorical_crossentropy作为损失函数；如果你选择sparse，则应该使用sparse_categorical_crossentropy。