在上次的fashion  mnist实现softmax的基础，对于多分类问题使用categorical_crossentropy 和 sparse_categorical_crossentropy  两种方式来计算softma交叉熵

在原先train_lable是数字编码 ，现在使用独热编码（独热编码即 One-Hot 编码，又称一位有效编码，其方法是使用N位状态寄存器来对N个状态进行编码，每个状态都有它独立的寄存器位，并且在任意时候，其中只有一位有效）

 

机器学习-tensorflow tf.keras使用独立编码与交叉熵损失函数_寄存器

 

 

 

 

 

 将顺序编码转换成独热编码

机器学习-tensorflow tf.keras使用独立编码与交叉熵损失函数_编码转换_02

 

 

 

 机器学习-tensorflow tf.keras使用独立编码与交叉熵损失函数_JAVA_03

 

 建立模型

 

 

 机器学习-tensorflow tf.keras使用独立编码与交叉熵损失函数_多分类_04

 

 训练

机器学习-tensorflow tf.keras使用独立编码与交叉熵损失函数_多分类_05

 

 

 

 结果：

机器学习-tensorflow tf.keras使用独立编码与交叉熵损失函数_多分类_06

 

 机器学习-tensorflow tf.keras使用独立编码与交叉熵损失函数_寄存器_07