分类和二元交叉熵之间的区别

Question

使用 keras 我必须训练一个模型来预测图像属于 0 类还是 1 类。我对二元和 categorical_cross_entropy 感到困惑。我已经搜索过了，但我仍然感到困惑。有人提到我们只在尝试预测多类时使用分类交叉熵，我们应该为此使用单热编码器向量。所以这意味着当我们要使用 binary_cross_entrpoy 进行训练时，我们不需要任何单热编码的向量标签。有人建议将 one_hot 向量表示为 [0. 1.]（如果类是 1）或 [1. 0.]（如果类为 0）对于 binary_cross_entropy。我正在使用一个带有分类交叉熵的热编码器 [0 1] 或 [1 0]。我的最后一层是

model.add(Dense(num_classes, activation='softmax'))

    # Compile model

  model.compile(loss='categorical_crossentropy', optimizer='adadelta', metrics=['accuracy'])

Answer 1

对于2 个类，它们在数学上相同，因此是二进制的。换句话说，2 类分类交叉熵与单输出二元交叉熵相同。举一个更具体的例子，这些是相同的：model.add(Dense(1, activation='sigmoid'))model.compile(loss='binary_crossentropy', ...)# is the same asmodel.add(Dense(2, activation='softmax'))model.compile(loss='categorical_crossentropy', ...)使用哪一种？为了避免单热编码分类输出，如果您只有 2 个类，从编码的角度来看，使用二进制交叉熵更容易。二进制情况可能在计算上更有效，具体取决于实现。