如何在 numpy 数组中配置数据标签以训练 Keras 模型？

Question

我正在尝试第一次实施 Keras（对于这个愚蠢的问题很抱歉）作为一个更广泛的项目的一部分，以制作一个学习连接 4 的 AI。作为其中的一部分，我通过一个 NN 一个 6*7 的网格它输出一个包含 7 个值的数组，给出游戏中每一列的选择概率。以下是 Model.summary() 方法的输出以获得更多详细信息：______________________________________________________________Layer (type)                 Output Shape              Param #   =================================================================flatten (Flatten)            (None, 42)                0         _________________________________________________________________dense (Dense)                (None, 20)                860       _________________________________________________________________dense_1 (Dense)              (None, 20)                420       _________________________________________________________________dense_2 (Dense)              (None, 7)                 147       =================================================================Total params: 1,427Trainable params: 1,427Non-trainable params: 0__________________________________________________________________________________________________________________________________当我传递形状为 (1, 6, 7) 的 numpy 数组时，该模型将给出（目前是随机的）预测，但是，当我尝试使用形状为 (221, 6, 7) 的数组训练模型时，数据和标签的形状数组 (221, 7) 我收到此错误：ValueError：检查目标时出错：预期dense_2具有形状(1,)但得到形状为(7,)的数组这是我用来训练模型的代码（输出 (221, 6, 7) 和 (221, 7)）：board_tensor = np.array(full_board_list)print(board_tensor.shape)label_tensor = np.array(full_label_list)print(label_tensor.shape)self.model.fit(board_tensor, label_tensor)（该模型是 AI 对象的一部分，因此可以与其他类型的 AI 对象进行比较）这是成功预测一批大小为 1 的代码，由表示板的二维列表生成（它输出 (1 , 6, 7) 和 (1, 7))：input_tensor = np.array(board.board)input_tensor = np.expand_dims(input_tensor, 0)print(input_tensor.shape)probability_distribution = self.model.predict(input_tensor)print(probability_distribution.shape)我意识到该错误可能是由于我对 Keras 中期望提供的方法缺乏了解；所以作为一个小小的旁注，有没有人有任何好的，彻底的学习资源，真正让你了解每种方法在做什么（即，不仅仅是告诉你输入哪些代码来制作图像识别器），这将是可以理解的对于像我这样的 Keras 和 Tensorflow 新手？

Answer 1

您正在使用sparse_categorical_crossentropy损失，它采用整数标签（不是单热编码的），而您的标签是单热编码的。这就是您收到错误的原因。

修复它的最简单方法是将 loss 更改为categorical_crossentropy.