我一直在完成Coursera课程的额外练习，遇到了我不明白的问题。Link to Collab
就我从事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Dense，其节点数等于类数。例如。狗，猫，马-3个类别= 3个节点。
但是，在笔记本中，标签中有5个类，使用len(label_tokenizer.word_index)检查，但是使用5个节点，我的结果糟透了，而使用6个节点，模型可以正常工作。
谁能解释为什么会这样吗？我找不到任何在线示例对此进行解释。干杯！
我知道了。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。但是，在上面的示例中，标签是使用keras标记生成器生成的，该标记器从1开始标记化（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}
这导致了一个奇怪的情况，如果我们有5个密集节点，则输出类别为0-4，这与预测为1-5的标签不匹配。
我通过重新运行所有标签都减少1的代码并通过5个密集节点成功训练模型来凭经验证明，因为标签现在为0-4。
我怀疑使用标签1-5和6个密集节点可以工作，因为该模型只是了解到未使用标签0并专注于1-5。
[如果有人了解类别交叉熵的内部工作原理，请随时添加！