我在使用 cnn 对超过 10000 个类别进行分类时遇到问题。我该如何解决？

Question

这是我使用 conv1d 的模型

模型有一个 5000 类所以，我如何使用 tensorflow 或 keras 创建图层 如果我增加 epoch，我的系统就会被加载并挂起。在这里我应用了亚当优化器和 mean_square_error 损失函数，所以我得到了非常低的精度。我该如何解决 ''' 时代 = 3 batch_size = 35

model = Sequential()
print(x_train.shape[1],1)
                                
model.add(Conv1D(16, 3, padding='same', activation='relu', input_shape=(128,1)))#x.shape[1:])) # Input shape: (96, 96, 1)
model.add(MaxPooling1D(pool_size=1))
                              
model.add(Conv1D(32, 3, padding='same', activation='relu'))
model.add(MaxPooling1D(pool_size=1))
model.add(Dropout(0.25))                            
model.add(Conv1D(64, 3, padding='same', activation='relu'))
model.add(MaxPooling1D(pool_size=1))                             
model.add(Conv1D(128, 3, padding='same', activation='relu'))
model.add(MaxPooling1D(pool_size=1))                             
model.add(Conv1D(256, 3, padding='same', activation='relu'))
model.add(MaxPooling1D(pool_size=1))                             
# Convert all values to 1D array
model.add(Flatten())                             
model.add(Dense(512, activation='relu'))
model.add(Dropout(0.2))
model.add(Dense(5823))


##checkpointer = ModelCheckpoint(filepath='checkpoint1.hdf5', verbose=1, save_best_only=True)

# Complie Model
model.compile(optimizer='adam', loss='mean_squared_error', metrics=['accuracy'])
history=model.fit(x_train, y_train_binary,
          batch_size=batch_size,
          epochs=epochs,
          verbose=1,
          validation_data=(x_test, y_test_binary))

'''

Answer 1

您必须使用softmax（muli 分类的最佳选择）之类的函数激活最后一层。如cmets中所说，最好使用损失函数 categorical_crossentropy 在您的情况下，如果您的标签是一次性编码的（如果不使用 sparse_categorical_crossentropy）。