Dense(2) 和 Dense(1) 作为二进制分类 CNN 的最后一层之间的区别？

Question

在用于图像二值分类的 CNN 中，输出的形状应该是（图像数量，1）还是（图像数量，2）？具体来说，这里有两种 CNN 中的最后一层：

keras.layers.Dense(2, activation = 'softmax')(previousLayer)

或

keras.layers.Dense(1, activation = 'softmax')(previousLayer)

在第一种情况下，对于每个图像都有 2 个输出值（属于第 1 组的概率和属于第 2 组的概率）。第二种情况，每张图片只有1个输出值，就是它的label（0或1，label=1表示属于第1组）。

哪个是正确的？有本质区别吗？我不想识别那些图像中的任何对象，只需将它们分成 2 组。

非常感谢！

Answer 1

第一个是正确的解决方案：

keras.layers.Dense(2, activation = 'softmax')(previousLayer)

通常我们使用softmax激活函数做分类任务，输出的宽度就是类别的个数。这意味着如果你想用标签A、B或C将一个对象分为三类，你需要让Dense层生成一个输出形状为 (None, 3)。然后可以使用cross_entropyloss函数计算LOSS，自动计算梯度，做反向传播过程。

如果你只想用 Dense 层生成一个值，这意味着你得到一个形状为 (None, 1) 的张量 - 所以它会生成一个单一的数值，如 regression 任务。您正在使用输出值来表示类别。答案是正确的，但不像 classification 任务的一般解决方案那样执行。

Answer 2

不同之处在于 class 概率是否相互独立（多标签 class化）。

当有 2 个 class 并且你通常有 P(c=1) + P(c=0) = 1 那么

keras.layers.Dense(2, activation = 'softmax') 

keras.layers.Dense(1, activation = 'sigmoid')

两者的 class 概率都是正确的。唯一的区别是您在训练期间如何提供标签。但是

keras.layers.Dense(2, activation = 'sigmoid')

在这种情况下是不正确的。但是，如果您有 P(c=1) + P(c=0) != 1，这是正确的实现。这是多标签 classification 的情况，其中一个实例可能属于多个正确的 class.

Dense(2) 和 Dense(1) 作为二进制分类 CNN 的最后一层之间的区别？

Difference between Dense(2) and Dense(1) as the final layer of a binary classification CNN?

classification

deep-learning

keras

tensorflow

convolutional-neural-network