Keras 仅对两类使用范畴交叉熵_Keras_Deep Learning_Neural Network_Cross Entropy

Keras 仅对两类使用范畴交叉熵

keras deep-learning neural-network

Keras 仅对两类使用范畴交叉熵,keras,deep-learning,neural-network,cross-entropy,Keras,Deep Learning,Neural Network,Cross Entropy,计算机视觉和深度学习文献通常说，一个人应该对一个二元（两类）问题使用binary\u crossentropy，对两个以上的类使用category\u crossentropy。现在我想知道：有什么理由不把后者也用于两类问题吗？分类的交叉熵：每个示例只接受一个正确的类将“仅”取真实神经元，并使用该神经元进行交叉熵计算二进制交叉熵：每个示例接受许多正确的类将对“所有神经元”进行交叉熵计算，考虑到每个神经元可以是两类，0和1 两级问题可以建模为：只有一个正确类别的2神经元输

计算机视觉和深度学习文献通常说，一个人应该对一个二元（两类）问题使用

binary\u crossentropy

，对两个以上的类使用

category\u crossentropy

。现在我想知道：有什么理由不把后者也用于两类问题吗？

分类的交叉熵：
- 每个示例只接受一个正确的类
- 将“仅”取真实神经元，并使用该神经元进行交叉熵计算
二进制交叉熵：
- 每个示例接受许多正确的类
- 将对“所有神经元”进行交叉熵计算，考虑到每个神经元可以是两类，0和1

两级问题可以建模为：

只有一个正确类别的2神经元输出：
```
softmax+categorical\u交叉熵
```
1-神经元输出，一类为0，另一类为1:
```
sigmoid+binary\u交叉熵
```



解释

请注意，在分类交叉熵（第一个等式）中，y_true
一词对于真神经元仅为1，使得所有其他神经元都等于零
方程可以简化为：ln（y\u pred[correct\u label]）

现在请注意二进制交叉熵（图中的第二个等式）有两个项，一个用于将1视为正确的类，另一个用于将0视为正确的类
 在这个主题上已经有一些好的线索：