我正在研究LSTM的NLP问题。问题是具有3个类别（1,2和3）的多类别分类。因此，我使用以下代码转换了目标类：extends BaseCrudService<UserEntity>，并类似地转换了y_train=to_catgorical(y_train)。
但是在我写y_test的输出密集层中，出现以下错误：
检查目标时出错：预期density_1具有形状（无，3），但具有形状的数组（658118，4）
但是，当我将其修复为model.add((Dense(3,activation='softmax'))时，即n + 1（n =要预测的类数），它可以工作。 但是在Keras的示例中，他们使用了cifar10数据集，并且使用的类数为10，而不是11，并且可以使用。
同样在二进制分类的情况下（要预测2个类），我们仅使用1个输出，即model.add((Dense(4,activation='softmax'))。
我经历了this post，但仍然无法找到令人信服的逻辑，因此我想通过Keras中的Dense层输出形状来清除此概念。
P.S。据我所知，Keras考虑了model.add(Dense(1,"sigmoid"))中的类，因此我们必须再进行一次转换。但是要问一件事，那么“ 0”向量层必须保留未使用的权利吗？在cifar10数据集的情况下，是否类是0:num_classes，这就是为什么num_classes = 10起作用的原因？如果是这样，那么如果我们必须对3个类（0、1和2）进行预测，那么我们可以使用num_classes = 3对吗？
答案 0 :(得分：0)
也许重要的是要注意使用Keras框架来提供一种热编码功能：
from keras.datasets import cifar10
from keras.utils import np_utils
y_label_train_OneHot = np_utils.to_categorical(y_label_train)
y_label_test_OneHot = np_utils.to_categorical(y_label_test)
您可以看到此代码code 简而言之，我个人认为使用不同的功能会导致不同的类别集。