Dense（2）和Dense（1）之间的区别是二进制分类CNN的最后一层？

Question

在用于图像的二进制分类的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，这是CNN中的2种最后一层：

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

要么

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

在第一种情况下，每个图像都有2个输出值（属于组1的概率和属于组2的概率）。在第二种情况下，每个图像只有1个输出值，即它的标签（0或1，label = 1表示它属于组1）。

哪一个是正确的？有内在的区别吗？我不想识别这些图像中的任何对象，只需将它们分为2组即可。

非常感谢！

Answer 1

区别在于类概率是否相互独立（多标签分类）。

当有 2 个班级并且您通常P(c=1) + P(c=0) = 1有时

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

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

就类别概率而言，两者都是正确的。唯一的区别是您在训练期间如何提供标签。但

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. 这是多标签分类的情况，其中一个实例可能属于多个正确的类别。

Answer 2

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激活函数执行分类任务，输出宽度将为类别的数量。这意味着，如果你想一个对象分为三类有标签A，B或者C，你需要使Dense层生成的形状输出(None, 3)。然后，您可以使用cross_entropy损失函数计算LOSS，自动计算梯度，然后执行反向传播过程。

如果只想在Dense图层上生成一个值，则意味着您将获得形状为(None, 1)- 的张量，因此它会生成单个数值，例如regression任务。您正在使用输出的值来表示类别。答案是正确的，但其执行效果不像classification任务的一般解决方案。