sparse_categorical_crossentropy使用代码

以下是使用Keras实现sparse_categorical_crossentropy的代码示例：

import tensorflow as tf
from tensorflow import keras

# 加载数据集
(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()

# 数据预处理
x_train = x_train.reshape((60000, 28 * 28)).astype('float32') / 255
x_test = x_test.reshape((10000, 28 * 28)).astype('float32') / 255
y_train = y_train.astype('float32')
y_test = y_test.astype('float32')

# 定义模型
model = keras.Sequential([
    keras.layers.Dense(128, activation='relu', input_shape=(28 * 28,)),
    keras.layers.Dense(10, activation='softmax')
])

# 编译模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

# 训练模型
model.fit(x_train, y_train, epochs=5, batch_size=32, validation_data=(x_test, y_test))

# 评估模型
test_loss, test_acc = model.evaluate(x_test, y_test)
print('Test accuracy:', test_acc)

在上面的示例中，我们使用了MNIST数据集进行训练和测试，并使用了两个密集层的神经网络模型。在编译模型时，我们使用了`sparse_categorical_crossentropy`作为损失函数。在训练模型时，我们使用了`fit`方法，将相应的训练集和测试集作为输入，并指定了训练的轮数、批量大小和验证集。最后，我们使用`evaluate`方法评估了模型的精度。