Keras 密集层输出 - 形状错误
Keras Dense Layer Output - Shape Error
我正在使用 LSTM 处理 NLP 问题。问题是具有 3 类 (1,2 & 3) 的多类分类。因此，我使用以下代码转换了目标 类：y_train=to_catgorical(y_train)，对于 y_test 也是如此。
但是在输出dense层写model.add((Dense(3,activation='softmax'))的时候，出现如下错误：
Error when checking target: expected dense_1 to have shape (None, 3) but got array with shape (658118, 4)
然而，当我将其固定为 model.add((Dense(4,activation='softmax'))，即 n+1（要预测的 n=类 的数量）时，它起作用了。 但在 Keras 示例中，他们使用了 cifar10 数据集，并将 类 的数量用作 10，而不是 11，并且它有效。
同样在二进制分类的情况下（2 类 被预测）我们只使用 1 个输出，即 model.add(Dense(1,"sigmoid"))。
我已经经历了 this post 但仍然无法为这件事找到令人信服的逻辑，所以我想通过 Keras 中的密集层输出形状来清除这个概念。
P.S。我的理解是，Keras 从 0:num_classes 考虑 类，所以我们必须再进行一次转换。但是要问一件事，'0' 向量层必须保持未使用状态，对吗？在 cifar10 数据集的情况下，类 是 0:9，这就是 num_classes=10 起作用的原因吗？如果是这种情况，那么如果我们必须预测 3 类 说 (0,1 & 2) 那么我们可以使用 num_classes=3 对吗？
也许需要注意的是使用Keras框架提供了一个one hot encoding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)
可以看到这段代码code
总之，我个人认为使用不同的功能会导致不同的分类。
我正在使用 LSTM 处理 NLP 问题。问题是具有 3 类 (1,2 & 3) 的多类分类。因此，我使用以下代码转换了目标 类：y_train=to_catgorical(y_train)，对于 y_test 也是如此。
但是在输出dense层写model.add((Dense(3,activation='softmax'))的时候，出现如下错误：
Error when checking target: expected dense_1 to have shape (None, 3) but got array with shape (658118, 4)
然而，当我将其固定为 model.add((Dense(4,activation='softmax'))，即 n+1（要预测的 n=类 的数量）时，它起作用了。 但在 Keras 示例中，他们使用了 cifar10 数据集，并将 类 的数量用作 10，而不是 11，并且它有效。
同样在二进制分类的情况下（2 类 被预测）我们只使用 1 个输出，即 model.add(Dense(1,"sigmoid"))。
我已经经历了 this post 但仍然无法为这件事找到令人信服的逻辑，所以我想通过 Keras 中的密集层输出形状来清除这个概念。
P.S。我的理解是，Keras 从 0:num_classes 考虑 类，所以我们必须再进行一次转换。但是要问一件事，'0' 向量层必须保持未使用状态，对吗？在 cifar10 数据集的情况下，类 是 0:9，这就是 num_classes=10 起作用的原因吗？如果是这种情况，那么如果我们必须预测 3 类 说 (0,1 & 2) 那么我们可以使用 num_classes=3 对吗？
也许需要注意的是使用Keras框架提供了一个one hot encoding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)
可以看到这段代码code 总之，我个人认为使用不同的功能会导致不同的分类。