Tensorflow 踩坑日记：CNN分类时损失函数的选择

在使用keras进行神经网络构建时，报如下错误：
tensorflow.python.framework.错误_impl.InvalidArgumentError错误：登录和标签必须具有相同的第一维度，got logits shape[32,4]和labels shape[128]

出错原因：

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

进行分类时：
如果target是one-hot的编码形式，损失函数loss用categorical_crossentropy
one-hot编码：[0, 1, 0, 0]，[1, 0, 0, 0]，[0, 0, 0, 1]
如果target是数字编码，损失函数loss用sparse_categorical_crossentropy
数字编码：1, 0, 3

修改：

model.compile(metrics=['accuracy'],optimizer='adam', loss='categorical_crossentropy')

把’sparse_categorical_crossentropy’换成’categorical_crossentropy’即可。

官方定义：

categorical_crossentropy

keras.backend.categorical_crossentropy(target, output, from_logits=False)

输出张量与目标张量之间的分类交叉熵。

参数

• target: 与 output 尺寸相同的张量。
• output: 由 softmax 产生的张量 (除非 from_logits 为 True， 在这种情况下 output 应该是对数形式)。
• from_logits: 布尔值，output 是 softmax 的结果， 还是对数形式的张量。

返回
输出张量

sparse_categorical_crossentropy

keras.backend.sparse_categorical_crossentropy(target, output, from_logits=False)

稀疏表示的整数值目标的分类交叉熵。

参数

• target: 一个整数张量。
• output: 由 softmax 产生的张量 (除非 from_logits 为 True， 在这种情况下 output 应该是对数形式)。
• from_logits: 布尔值，output 是 softmax 的结果， 还是对数形式的张量。

返回
输出张量