Keras MNIST目标向量自动转换为one-hot？

Question

mnist当我从 Keras加载数据集时，我得到 4 个变量 -

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

的形状x_train是(60000, 28, 28)，这是有道理的，因为它包含 60,000 张 28x28 图片

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

为了进行数字分类，神经网络通常输出一个具有十个维度的单热编码向量。我认为我需要使用to_categorical将 y 目标从数值转换为分类，以便使神经网络的形状输出与训练样本相匹配，这可能是(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。当神经网络的输出层y_train.shape保持不变时(60000,)

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

它输出一个 10-D one-hot 向量。

然后他们简单地训练模型就y_train没有问题

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

这怎么可能？神经网络的输出形状是否会与 不(60000, 10)兼容(60000,)？或者 Keras 是否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，但我的问题是为什么他们不这样做。在该示例中，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：罗辛是对的。这只是使用sparse_crossentropy损失的效果，而不是分类损失。

Answer 1

将损失函数更改为

loss = 'sparse_categorical_crossentropy'

这将起作用，并且您不必更改输入数据形状