Keras SparseCategoricalCrossentropy 压平输入标签

Question

我正在训练图像多分类器。 在 Keras 中使用损失 SparseCategoricalCrossentropy。 我在下面发现了一个问题。

import tensorflow as tf
a=tf.constant([[0.,0.,1.],[1.,0.,0.]])
b=tf.constant([[0.,0.,1.],[0.,1.,0.]])
loss_object = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)
loss = loss_object(a, b)

a 代表我的 2 个输入数据的真实标签。 b 代表我的 2 个输入数据的预测标签。 计算出现以下错误。

ValueError: `labels.shape` must equal `logits.shape` except for the last dimension. Received: labels.shape=(6,) and logits.shape=(2, 3)

不知何故，真正的标签被扁平化并且变得不可计算。 我该如何处理这个问题来计算关于 2 个输入数据的 SparseCategoricalCrossentropy？

Answer 1

您的标签并不稀疏，它们是单热编码的，这意味着

SparseCategoricalCrossentropy

不起作用。要解决这个问题，请更改

a=tf.constant([[0.,0.,1.],[1.,0.,0.]])

到

a=tf.constant([2., 0.])

这会起作用，因为 a 是调用损失函数的第一个参数，它是基本事实，或者

y_true

:

loss = loss_object(a, b)

b

可以进行单热编码，因为 TensorFlow 会将其转换为正确的格式，但这似乎只有在

a

已经采用正确（稀疏）格式的情况下才有效。