为什么我们在keras model.fit()中需要y变量？

Question

我正在使用手写数字数据集。数据加载如下：

(X_train, y_train), (X_test, y_test) = keras.datasets.mnist.load_data()

这是为对数字进行分类而创建的神经网络的代码：

model = keras.Sequential([
    keras.layers.Dense(10, input_shape=(784,), activation='sigmoid')
])

model.compile(
    optimizer='adam', 
    loss = 'sparse_categorical_crossentropy',
    metrics = ['accuracy']
)
model.fit(X_train_flattened, y_train, epochs=5)

问题是，model.fit()中y_train的作用是什么。这似乎是一个分类问题，网络只需要输入（x_train_flattened）即可对其进行训练。

Answer 1

X_train_flattened

提供图像作为输入，

y_train

（告诉模型它是 0-9 的数字的标签）告诉模型应该为每个图像预测什么。

这在监督机器学习（监督机器学习教程）中是必要的，以便模型了解每个图像属于哪个分类。

损失函数（此处为

sparse_categorical_crossentropy

）计算模型的预测与真实标签的偏差程度（

y_train

）。如果没有

y_train

，模型就没有任何计算这个误差的依据，也不知道如何改进。

在训练过程中，模型使用通过将其预测与

y_train

进行比较而计算出的误差（或损失），通过反向传播来更新其参数。这是关于反向传播的原始论文（George Hinton 反向传播）。