keras中像素二进制分类的最佳损失函数

Question

我构建了一个深度学习模型，它接受大小为250 * 250 * 3的图像并输出62500（250 * 250）二进制向量，其中包含代表背景的像素为0，以及代表ROI的像素为1。 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。 我可以在我的模型中使用它的最佳损失和激活功能是什么？ 二元交叉熵和分类交叉熵损失函数有什么区别？ 提前谢谢。

Answer 1

  

我可以在我的模型中使用它的最佳损失和激活功能是什么？

• 使用binary_crossentropy因为每个输出都是独立的，不是互斥的，可以取值0或1，在最后一层使用sigmoid。

检查这个有趣的question/answer

  

二元交叉熵与分类交叉熵损失函数有什么区别？

Here是一个很好的答案。

修改1：我的不好，请使用binary_crossentropy。

快速查看code（再次）后，我可以看到keras使用：

• 代表binary_crossentropy - ＆gt; tf.nn.sigmoid_cross_entropy_with_logits

    

  (From tf docs)：测量离散分类任务中的概率误差，其中每个类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。

• 代表categorical_crossentropy - ＆gt; tf.nn.softmax_cross_entropy_with_logits

    

  (From tf docs)：测量离散分类任务中的概率误差，其中类是互斥的（每个条目恰好在一个类中）。例如，每个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，但不能同时使用两者。