Machine learning Tensorflow:sigmoid\u交叉\u熵\u与逻辑

我想用tensorflow解决一个图像多标签分类问题

我试图为CNN网络构造适当的损失函数和“适当的”最后一层

他们的论点是什么

tf.nn.sigmoid_cross_entropy_with_logits(labels, logits)

功能预期

我是否可以假设：

• 标签是二进制值为{0,1}的向量
• logit是向量，其亮度与标签的亮度相同，标签的值为整数值]-∞, ∞[

因此，我应该跳过最后一层中的ReLU（以确保最终输出可以是负数）

或者logit是有界的，代表概率

---

这一点我不是100%肯定。

你是对的。尽管你的标签可以是0到1之间的任何实数，即使它可能是或通常是。但在理论上（偶尔实践中），这里的标签可以是[0,1]范围内的任何实数

关于登录：没有激活。你是对的

sigmoid\u cross\u entropy\u with\u logits

函数使用逻辑损耗作为：

---

x

作为您的logit。您基本上已经在

sigmoid

部分激活了。

谢谢，在Udacity（互联网学习平台）中，logit被认为具有代表概率的值，因此[0,1]，该命名法是我困惑的根源。

标签

不是一个热向量，而只是二元分类的标量。除非一个训练样本中有多个标签，例如大象和猫标签都可以出现在一张图像中，否则

标签

将是一个向量。