binary_crossentropy 或 categorical_crossentropy

Question

我正在做一个有 10 个类别的多标签图像分类，我有 1981 年的数据，而标记的数据只有 1981 年的 1000 个。

我用这个配置

#begin model
model = Sequential()
model.add(Conv2D(filters=16, kernel_size=(5, 5), activation="relu", input_shape=(400,400,1)))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Conv2D(filters=32, kernel_size=(5, 5), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Conv2D(filters=64, kernel_size=(5, 5), activation="relu"))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Conv2D(filters=64, kernel_size=(5, 5), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(79, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(10, activation='sigmoid'))

model.summary()

与

sgd = optimizers.SGD(lr=0.001, momentum=0.9, decay=1e-6, nesterov=True)
model.compile(loss='categorical_crossentropy', optimizer=sgd, metrics=['accuracy'])

使用那个编译配置，我得到了 65% 的准确率和 nan 损失，而如果我使用 binary_crossentropy，我也只有 10% 的准确率和 nan 损失，我对这个编译配置有点困惑，其中损失我应该使用配置吗？

Answer 1

您必须继续使用“分类交叉熵”来解决此问题，因为目标特征包含 10 个类。

当目标特征中只有 2 个类时，必须使用“二元交叉熵”损失函数。