密集（2）和密集（1）之间的差异作为二元分类CNN的最后一层？

Question

在用于图像二进制分类的CNN中，输出的形状是（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)

或

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

在第一种情况下，对于每个图像，存在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，即其标签（0或1，标签= 1表示它属于组1）。

哪一个是正确的？有内在差异吗？我不想识别这些图像中的任何对象，只需将它们分成两组。

非常感谢！

Answer 1

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激活函数来执行分类任务，输出宽度将是类别的数量。这意味着，如果您要将一个对象分为三个类别，并使用标签A，B或C，则需要使Dense图层生成输出形状为(None, 3)。然后，您可以使用cross_entropy损失函数计算LOSS，自动计算渐变，并执行反向传播过程。

如果您只希望使用Dense图层生成一个值，则表示您获得形状为(None, 1)的张量 - 因此它会生成单个数值，如{{1}任务。您正在使用输出的值来表示类别。答案是正确的，但不像regression任务的一般解决方案那样执行。

Answer 2

区别在于类别概率是否彼此独立（多标签分类）。

当有2个班级并且您通常有P(c=1) + P(c=0) = 1时

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

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

两者在类概率方面都是正确的。唯一的区别是您在训练期间如何提供标签。但是

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，则它是正确的实现。多标签分类就是这种情况，其中一个实例可能属于多个正确的类。