在二进制分类的情况下，最后一个密集层中的单元数

Posted 2023-03-13

【中文标题】在二进制分类的情况下，最后一个密集层中的单元数

【英文标题】：Number of units in the last dense layer in case of binary classification

【发布时间】：2020-11-01 03:00:02

【问题描述】：

我的问题与here 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。 First一用：

tf.keras.layers.Dense(1)

作为模型的最后一层 second 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？

【参考方案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。

【讨论】：

但两者都应用于相同的数据。在分类分类的情况下，没有对标签进行进一步的操作。那么如何将这种不同的代码应用于相同的数据呢？所以在这两种实现中，数据都是用 tfds.load 加载的。或者这是在拟合模型时“隐式”完成的？而且我不用管这个/想想我想用什么？

由于 sparse_categorical_crossentropy，他们能够使用相同格式的数据。你可以看这里：***.com/questions/58565394/…

如果你只有两个类，我会推荐二进制一个。如果你有两个以上的类，你可以选择一个分类的。

感谢您的回答，但是如果标签必须采用不同的形状/编码，我仍然不明白他们如何将其应用于相同的数据。那么这是在安装时自动完成的，我不必关心这个吗？所以我指的是两个实现示例中的数据预处理步骤。

你需要知道 categorical-crossentropy 和 sparse_categorical_crossentropy 的区别。我已经在上面添加了另一个问题链接。请看一下