您不需要使用，
to_categorical因为我猜您正在执行多标签分类。为了避免一劳永逸（！），让我解释一下。
如果您正在执行 二进制分类 ，则意味着每个样本可能仅属于两个类别之一，例如猫与狗或快乐与悲伤或正面评论与负面评论，那么：
- 标签应
[0 1 0 0 1 ... 0]
具有以下形状：(n_samples,)
即每个样品都带有一个（例如猫）或零（例如狗）标签。 - 用于最后一层的激活函数通常是
sigmoid
（或输出范围在[0,1]范围内的值的任何其他函数）。 - 通常使用的损失函数为
binary_crossentropy
。
如果您要进行 多类别分类 ，这意味着每个样本只能属于许多类别之一，例如猫与狗，狮子，快乐与中性，悲伤或正面评论，中立评论，负面评论，则：
- 标签应该是一次性编码的，即
[1, 0, 0]
对应于cat，[0, 1, 0]
对应于dog和[0, 0, 1]
对应于lion，在这种情况下，标签的形状为(n_samples, n_classes)
; 或者，它们可以是整数（即稀疏标签），即1
对于猫，2
对于狗和3
对于狮子，在这种情况下，标签的形状为(n_samples,)
。该to_categorical
函数用于将稀疏标签转换为一键编码的标签，当然，如果您愿意的话。 - 通常使用的激活功能是
softmax
。 - 所使用的损失函数取决于标签的格式：如果标签是单次热编码，
categorical_crossentropy
则使用标签；如果标签是稀疏的，则使用标签sparse_categorical_crossentropy
。
如果您正在执行 多标签分类 ，这意味着每个样本可能属于零，一个或多个一类，例如图像可能同时包含猫和狗，那么：
- 标签的
[[1 0 0 1 ... 0], ..., [0 0 1 0 ... 1]]
形状应为(n_samples, n_classes)
。例如，标签[1 1]
意味着相应的样本属于两个类别（例如猫和狗）。 sigmoid
因为假定每个类别都独立于另一个类别，所以使用的激活函数。- 使用的损失函数为
binary_crossentropy
。
