如何在 Tensorflow 2.0 中使用误报指标？
How to use False Positives metric in Tensorflow 2.0?
在 Tensorflow 2.0 中，我正在尝试构建一个模型，将我的对象分为两类：正类和负类。
我想使用 tf.keras.metrics.FalsePositives 和 tf.keras.metrics.FalseNegatives 指标来查看模型在每个时期的改进情况。这两个指标都有断言规定：[predictions must be >= 0] 和 [predictions must be <= 1].
问题是未经训练的模型可以生成任意数字作为预测。但即使是经过训练的模型有时也会产生略高于 1 或略低于 0 的输出。
有什么方法可以禁用这些断言吗？
或者，是否有任何合适的激活函数可以强制模型输出进入 [0, 1] 范围而不会对学习率造成任何问题？
如果输出必须在 [0, 1] 范围内，那么 sigmoid 激活函数是一个合适的替代方案，因为它的范围也从 0 t0 1.
在 Tensorflow 2.0 中，我正在尝试构建一个模型，将我的对象分为两类：正类和负类。
我想使用 tf.keras.metrics.FalsePositives 和 tf.keras.metrics.FalseNegatives 指标来查看模型在每个时期的改进情况。这两个指标都有断言规定：[predictions must be >= 0] 和 [predictions must be <= 1].
问题是未经训练的模型可以生成任意数字作为预测。但即使是经过训练的模型有时也会产生略高于 1 或略低于 0 的输出。
有什么方法可以禁用这些断言吗？
或者，是否有任何合适的激活函数可以强制模型输出进入 [0, 1] 范围而不会对学习率造成任何问题？
如果输出必须在 [0, 1] 范围内，那么 sigmoid 激活函数是一个合适的替代方案，因为它的范围也从 0 t0 1.