多标签分类必须用sigmoid激活+binary_crossentropy损失，输出层为每个标签独立输出0/1概率，标签需为0/1向量；误用softmax或categorical_crossentropy会导致训练失效、loss不降或准确率失真。
多标签分类不是用 softmax + sparse_categorical_crossentropy，那是多类单标签的套路；你得用 sigmoid 激活 + binary_crossentropy，否则模型根本学不会“一个样本同时属于多个类别”。
输出层必须用 sigmoid 而不是 softmax
多标签的本质是每个标签独立判断“是/否”，所以输出层要对每个标签单独做二元决策。用 softmax 会强制所有输出加起来为 1，破坏标签间的独立性——比如模型可能为了凑出总和 1，把本该同时为 1 的两个标签压成 0.6 和 0.4，导致训练失效。
实操建议：
- 假设你有 5 个标签，输出层写成：
tf.keras.layers.Dense(5, activation='sigmoid') - 不要加
name='predictions'这类冗余命名，除非后续要取特定层输出 - 如果用函数式 API，确保该层是模型最后一层，且没被其他层意外覆盖
损失函数必须选 binary_crossentropy，标签格式要匹配
你的标签不能是整数索引（如 [0, 2, 4]），也不能是 one-hot 单标签（如 [0, 1, 0, 0, 0]），而必须是每个样本对应一个长度为标签总数的 0/1 向量，例如 [1, 0, 1, 1, 0] 表示该样本属于第 0、2、3 类。
Claw Code Suite (Python-Only Edition)
下载
仅使用 Python 将 Claw Code 虚拟化框架与 OpenClaw 集成，提供 184 种工具和 200 多条命令，用于安全分析和代码质量...
常见错误现象：
- 训练时 loss 不下降，甚至 nan：很可能是标签用了 int 类型但没转
float32，binary_crossentropy要求 label 和 logits 都是浮点数 - 验证准确率始终在 50% 上下波动：检查是否误用了
categorical_crossentropy，它会把多标签向量当做一个整体类别来算 - 用
model.compile(loss='binary_crossentropy', metrics=['accuracy'])即可，不用自定义 metric——Keras 默认的accuracy在多标签下就是元素级匹配率
评估时别只看 accuracy，加个 f1_score 更靠谱
accuracy 在标签极度不平衡时会严重失真（比如 90% 标签是 0，模型全输出 0 也能拿到 90% 准确率）。你应该在训练后用 sklearn 算 per-label 或 macro-F1。
实操建议：
- 预测时用
model.predict(x_test)得到概率矩阵，再用np.where(pred > 0.5, 1, 0)转硬标签 - 调用
sklearn.metrics.f1_score(y_true, y_pred, average='macro')，别漏掉average='macro'，否则默认是'binary'（只适用于单标签） - 如果想看每个标签的 F1，去掉
average参数，得到数组，再用zip(range(n_labels), f1_per_label)对齐解释
最容易被忽略的是标签预处理阶段：很多人直接从 CSV 读出字符串列表（如 "['cat','dog']"），没解析成布尔向量；或者用 pandas get_dummies 时没指定 prefix_sep 导致列名错乱。这些都会让模型从第一步就学歪。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
