keras中像素级二进制分类的最佳损失函数

Question

我建立了一个深度学习模型，该模型接受大小为250 * 250 * 3的图像，并输出62500（250 * 250）二进制矢量，该二进制矢量包含代表背景的像素0和代表ROI的像素1s。我的模型基于DenseNet121，但是当我使用softmax作为最后一层的激活函数和分类交叉熵损失函数时，损失是nan。我可以在模型中使用的最佳损失和激活函数是什么？二进制交叉熵和分类交叉熵损失函数有什么区别？提前致谢。

Answer 1

我可以在模型中使用的最佳损失和激活函数是什么？

• 使用此方法binary_crossentropy是因为每个输出都是独立的，而不是互斥的，并且可以取值0或1，用于sigmoid最后一层。

检查这个有趣的问题/答案

二进制交叉熵和分类交叉熵损失函数有什么区别？

这是该问题的很好的答案。

编辑1：不好，请使用binary_crossentropy。

快速浏览代码（再次）之后，我可以看到keras使用：

• 对于binary_crossentropy->tf.nn.sigmoid_cross_entropy_with_logits

  （摘自tf docs）：测量离散分类任务中的概率误差，其中每个类别都是独立的，而不是互斥的。例如，可以执行多标签分类，其中图片可以同时包含大象和狗。

• 对于categorical_crossentropy->tf.nn.softmax_cross_entropy_with_logits

  （摘自tf docs）：测量类别相互排斥的离散分类任务中的概率误差（每个条目恰好属于一个类别）。例如，每张CIFAR-10图像都标有一个且只有一个标签：图像可以是狗或卡车，但不能同时是两者。