使用to_categorical转换np.array时出现内存问题

使用to_categorical转换np.array时出现内存问题

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

  。