Neural network Keras多二进制输出

有人能帮我更好地理解这个问题吗

我必须训练一个神经网络，它应该输出200个相互独立的类别，每个类别的百分比从0到1。在我看来，这似乎是一个

binary\u crossentropy

问题，但我在互联网上看到的每一个例子都使用

binary\u crossentropy

进行单一输出。因为我的输出应该是200，如果我应用

binary\u crossentropy

，那是正确的吗

这就是我的想法，这是一个正确的方法还是我应该改变它

inputs = Input(shape=(input_shape,))
hidden = Dense(2048, activation='relu')(inputs)
hidden = Dense(2048, activation='relu')(hidden)
output = Dense(200, name='output_cat', activation='sigmoid')(hidden)
model = Model(inputs=inputs, outputs=[output])
loss_map = {'output_cat': 'binary_crossentropy'}
model.compile(loss=loss_map, optimizer="sgd", metrics=['mae', 'accuracy'])

---

当存在多个类时，应使用分类的交叉熵。请参阅。

有关多类别分类问题，您应该使用

分类交叉熵

而不是

二进制交叉熵

。这样，当您的模型对输入进行分类时，它将给出所有200个类别之间的概率分布。接收概率最高的类别将是该特定输入的输出

调用

model.predict（）

时可以看到这一点。例如，如果您仅对一个输入调用此函数并打印结果，您将看到200个百分比的结果（总和为1）。希望是这200个百分比中的一个将远远高于其他百分比，这表明模型认为这很有可能是这个特定输入的正确输出（类别）

---

可能有助于澄清预测。打印预测大约从3:17开始，但要获得完整的上下文，您需要从头开始。

要使用Keras优化多个独立的二进制分类问题（而不是多类别问题，您可以使用分类交叉熵），您可以执行以下操作（这里我以两个独立的二进制输出为例，但您可以根据需要进行扩展）：

在这里，您可以使用Keras的Lambda层分割输出：

    output_1 = Lambda(lambda x: x[...,:1])(output)
    output_2 = Lambda(lambda x: x[...,1:])(output)

    adad = optimizers.Adadelta()

模型输出将成为不同独立输出的列表

    model = Model(inputs, [output_1, output_2])

您在一个列表中为每个输出使用一个损失函数来编译模型。（事实上，如果您只给出一种损失函数，我相信它将独立地应用于所有输出）

---

我知道这是一个老生常谈的问题，但我相信公认的答案是不正确的，投票最多的答案是可行的，但不是最优的。原始海报的方法是解决这个问题的正确方法。他的输出是从0到1的200个独立概率，因此他的输出层应该是一个密集层，有200个神经元和一个乙状结肠活动分层。这不是一个分类的交叉熵问题，因为它不是200个相互排斥的类别。此外，没有理由在单个密集层可以分割输出时使用lambda层。原始海报的方法是正确的。下面是使用Keras接口的另一种方法

        model = Sequential()
        model.add(Dense(2048, input_dim=n_input, activation='relu'))
        model.add(Dense(2048, input_dim=n_input, activation='relu'))
        model.add(Dense(200, activation='sigmoid'))
        model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

---

我如何使用

分类交叉熵返回百分比？有200个类，每个类的百分比可以在0到1之间？这些类不是相互排斥的，这意味着我需要所有的200个。我认为你的方法是可以的。你可以搜索多标签示例，而不是二进制分类示例。我正在寻找的是对于is 200个类别，每个类别的百分比在0和1之间。不是所有200个类别的总和都是1。那么
categorical\u crossentropy
会有帮助吗？
    model.compile(optimizer=adad, loss=['binary_crossentropy','binary_crossentropy'])

        model = Sequential()
        model.add(Dense(2048, input_dim=n_input, activation='relu'))
        model.add(Dense(2048, input_dim=n_input, activation='relu'))
        model.add(Dense(200, activation='sigmoid'))
        model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])