我正在构建我的第一个keras时间序列LSTM RNN，希望有更多知识的人可以帮助我解决我的问题：使用categorical_crossentropy时，是否有可能（有效）扩展给网络的目标？
我目前的理解是，每组输入都会以稍微不同的方式点亮输出核子，例如：神经网络永远不会预测并整数1或0，只是数字与给定质量的数字越接近越好神经网络的数据和参数。
我的模型输出层是：
model.add(Dense(3, activation='softmax', name='Output_layer'))
目标类似于：
[0.5 0.1 0.4], [0.5 0.3 0.2], [0.8, 0.1, 0.1], etc etc
而不是只有1和0的3个二进制类
我的想法是，除了进行二进制选择之外，我还可以添加跨时间步长的额外信息；我正在尝试对未来的几个时间步骤进行归纳，以最有可能在这三个类别中发生什么；我的程序将x数量的时间步长上所有建议的操作加在一起，然后将它们除以x数量的时间步长，以将其按比例缩小为3个类别中0和1之间的1个目标。我找不到有关此的更多信息，我的问题基本上是，我完全理解错了吗？