仅对两个 类 使用 categorical_crossentropy
Using categorical_crossentropy for only two classes
计算机视觉和深度学习文献通常说应该使用 binary_crossentropy 来处理二元（两个 - class）问题，categorical_crossentropy 来处理两个以上的 classes .现在我想知道：是否有任何理由不将后者用于两个 class 问题？
categorical_crossentropy:
- 每个样本只接受一个正确的 class
- 将采用 "only" 真正的神经元并使用该神经元进行交叉熵计算
binary_crossentropy:
- 每个样本接受许多正确的 classes
- 将对"all neurons"进行交叉熵计算，考虑到每个神经元可以是两个class，0和1。
一个 2-class 问题可以建模为：
- 2 个神经元输出只有一个正确 class：
softmax + categorical_crossentropy
- 1个神经元输出，一个class为0，另一个为1：
sigmoid + binary_crossentropy
说明
请注意在分类交叉熵（第一个方程）中，y_true 项对于真实神经元仅为 1，使所有其他神经元等于零。
等式可以简化为：ln(y_pred[correct_label])。
现在注意二元交叉熵（图中第二个方程）有两项，一项用于将 1 视为正确的 class，另一项用于将 0 视为正确的 class。
计算机视觉和深度学习文献通常说应该使用 binary_crossentropy 来处理二元（两个 - class）问题，categorical_crossentropy 来处理两个以上的 classes .现在我想知道：是否有任何理由不将后者用于两个 class 问题？
categorical_crossentropy:- 每个样本只接受一个正确的 class
- 将采用 "only" 真正的神经元并使用该神经元进行交叉熵计算
binary_crossentropy:- 每个样本接受许多正确的 classes
- 将对"all neurons"进行交叉熵计算，考虑到每个神经元可以是两个class，0和1。
一个 2-class 问题可以建模为：
- 2 个神经元输出只有一个正确 class：
softmax + categorical_crossentropy - 1个神经元输出，一个class为0，另一个为1：
sigmoid + binary_crossentropy
说明
请注意在分类交叉熵（第一个方程）中，y_true 项对于真实神经元仅为 1，使所有其他神经元等于零。
等式可以简化为：ln(y_pred[correct_label])。
现在注意二元交叉熵（图中第二个方程）有两项，一项用于将 1 视为正确的 class，另一项用于将 0 视为正确的 class。