我一直在学习Coursera课程进行额外练习，遇到了一个我不理解的问题
链接到Collab
就我研究ML神经网络问题而言，我一直被教导多类分类问题的输出层将是密集的，节点的数量等于类的数量。例如，狗、猫、马-3类=3个节点。
然而，在笔记本中，标签中有5个类，使用len(label_tokenizer.word_index)进行检查，但使用5个节点，我的结果很糟糕，使用6个节点，模型工作正常。
有人能解释一下为什么会这样吗？我在网上找不到任何解释这一点的例子。干杯
我想明白了。具有分类交叉熵损失的密集层的输出期望标签/目标从零开始。例如：
cat - 0
dog - 1
horse - 2
在这种情况下，密集节点的数量为3。
然而，在collab中，标签是使用keras标记器生成的，该标记器从1开始标记(因为填充通常为0(。
label_tokenizer = Tokenizer()
label_tokenizer.fit_on_texts(labels)
# {'business': 2, 'entertainment': 5, 'politics': 3, 'sport': 1, 'tech': 4}
这导致了一种奇怪的情况，如果我们有5个密集节点，我们有0-4的输出类，这与我们的预测1-5的标签不匹配。
我通过重新运行代码，将所有标签减少1，并成功地用5个密集节点训练模型，从经验上证明了这一点，因为标签现在是0-4。
我怀疑，对于标签1-5和6，密集节点起作用，因为模型只是简单地了解到标签0没有被使用，并专注于1-5。
如果有人了解分类交叉熵的内部工作原理，请随意补充！