tensorflow - 在二进制分类的情况下，最后一个密集层中的单元数

Question

我的问题与此处有关。我正在使用猫和狗数据集。所以只有这两种结果。我找到了两个实现。第一个用途：

tf.keras.layers.Dense(1)

作为模型中的最后一层第二个实现使用：

layers.Dense(2)

现在，我不明白这一点。这里什么是正确的？是否相同以及为什么（我不明白为什么应该相同）。或者这里有什么区别？第一个解决方案是为猫或狗建模，第二个解决方案是为猫、狗或其他任何人建模？如果我们只有猫和狗，为什么要这样做？我应该采取哪种解决方案？

标签： tensorflowkeras

Answer 1

两者都是正确的。一种是使用二元分类，另一种是使用分类分类。让我们试着找出不同之处。

二元分类：在这种情况下，输出层只有一个神经元。从这个单一的神经元输出中，你必须决定它是猫还是狗。您可以设置任何阈值级别来对输出进行分类。假设猫被标记为 0，狗被标记为 1，您的阈值为 0.5。因此，如果输出大于 0.5，那么它就是一只狗，因为它更接近 1，否则它就是一只猫。在这种情况下，大多数情况下都使用 binary_crossentropy。

分类分类：输出层数与类数完全相同。这次您不能将数据标记为 0 或 1。标签形状应与输出层相同。在您的情况下，您的输出层有两个神经元（用于类）。您必须以相同的方式标记数据。为此，您必须对标签数据进行编码。我们称之为“one-hot-encode”。例如，猫将被编码为 (1,0)，狗将被编码为 (0,1)。现在您的预测将有两个浮点数。如果第一个数字大于第二个数字，则为猫，否则为狗。我们将这个数字称为置信度分数。假设对于测试图像，您的模型预测为 (0.70, 0.30)。这意味着您的模型有 70% 的信心认为它是猫，有 30% 的信心认为它是猫 萨狗。请注意，输出层的值完全取决于您的层的激活。要深入了解，请阅读激活函数。