对每一个activation_9n重复错误(例如: activation_9，..activation_45. )等)

Question

ValueError:在检查目标时出错:期望activation_81具有形状(1 )，但得到与形状(7，)相同的数组

我使用神经网络对7个类别进行了多类分类，但在这一点上失败了。

cnnhistory=model.fit(x_traincnn, 
                     y_train, 
                     batch_size=16, 
                     epochs=700,
                     validation_data=(x_testcnn, y_test), 
                     callbacks=[mcp_save, lr_reduce])

callbacks=mcp_save，lr_reduce

mcp_save存在

mcp_save = ModelCheckpoint('model/aug_noiseNshift_2class2_np.h5', 
                            save_best_only=True, monitor='val_loss', mode='min')

而lr_reduce是

lr_reduce = ReduceLROnPlateau(monitor='val_loss', factor=0.9, patience=20, min_lr=0.000001)

7类神经网络稠密(7)的最后一层

model.add(Dense(7))
model.add(Activation('softmax'))
opt = keras.optimizers.SGD(lr=0.0001, momentum=0.0, decay=0.0, nesterov=False)

编译模型

model.compile(loss='sparse_categorical_crossentropy', optimizer=opt, metrics=['accuracy', fscore])

我已经将具有规范化值的数据集转换为“sparse_categorical_crossentropy”函数，从“分类交叉熵”更改为“损失函数”。没有什么能奏效的，只是将错误从activation_9推到activation_18，从activation_45到activation_54，再到现在的activation_81。但错误仍然存在。

任何帮助都将不胜感激！我对神经网络很陌生。提亚

Answer 1

如果标签是数字，这意味着y_train有(samples, 1)形状，您应该使用'sparse_categorical_crossentropy'。

如果您有标签作为一个热编码，这意味着y_train有形状(samples, 7)，您应该使用'categorical_crossentropy'。