Keras MNIST 目标向量自动转换为 one-hot？

Question

当我从 Keras 加载 mnist 数据集时，我得到 4 个变量 -

(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()

x_train 的形状是(60000, 28, 28)，这很有意义，因为它包含 60,000 张 28x28 的图片

y_train 的形状只是(60000,)，这表明它是一个包含数字目标标签 (0-9) 的一维向量。

为了运行数字分类，神经网络通常会输出一个 one-hot 编码向量，该向量将具有 10 个维度。我想我需要使用 to_categorical 将 y 目标从数值转换为分类，以便神经网络的形状输出与训练样本匹配，大概是 (60000, 10)。

但在我在网上找到的一些示例中，to_categorical 从未用于重塑训练向量。 y_train.shape 仍然是 (60000,) 而神经网络的输出层是

 model.add(Dense(10, activation="softmax"))

输出一个 10-D one-hot 向量。

然后他们只是在y_train 上训练模型而没有问题

model.fit(x_train, y_train, epochs=2, validation_data=(x_test, y_test))

这怎么可能？形状为(60000, 10) 的神经网络输出不会与(60000,) 不兼容吗？还是 Keras 会自动将分类输出转换为数字？

编辑： 更清楚地说，我知道如何对其进行一次性编码，但我的问题是他们为什么不这样做。在示例中，网络在没有对目标类进行 one-hot 编码的情况下工作，而网络的输出显然是 one-hot 编码的。

编辑： Roshin 是对的。这只是使用 sparse_crossentropy 损失的效果，而不是分类损失。

Answer 1

将损失函数改为

loss = 'sparse_categorical_crossentropy'

这将起作用，您不必更改输入数据形状

Answer 2

您可以通过执行以下代码行自己将其转换为 one-hot：

(x_train, l_train), (x_test, l_test) = mnist.load_data()
y_train = np.zeros((l_train.shape[0], l_train.max()+1), dtype=np.float32)
y_train[np.arange(l_train.shape[0]), l_train] = 1
y_test = np.zeros((l_test.shape[0], l_test.max()+1), dtype=np.float32)
y_test[np.arange(l_test.shape[0]), l_test] = 1