Python 带张量流的单输出神经网络_Python_Tensorflow_Machine Learning_Computer Vision_Deep Learning

Python 带张量流的单输出神经网络

python tensorflow machine-learning computer-vision deep-learning

Python 带张量流的单输出神经网络,python,tensorflow,machine-learning,computer-vision,deep-learning,Python,Tensorflow,Machine Learning,Computer Vision,Deep Learning,我想制作一个神经网络，在最后一层有一个输出神经元，它告诉我图像上有车的概率，概率从0到1 我习惯于使用tf.nn.softmax\u cross\u entropy\u与_logits和tf.nn.softmax方法，用多个输出神经元制作分类问题的神经网络。但是，当标签矩阵中每个样本只有一列时，这些方法不起作用，因为softmax方法将始终返回1 我尝试用tf.nn.sigmoid替换tf.nn.softmax，用tf.nn.sigmoid\u cross\u entropy\u替换tf.nn.

我想制作一个神经网络，在最后一层有一个输出神经元，它告诉我图像上有车的概率，概率从0到1

我习惯于使用tf.nn.softmax\u cross\u entropy\u与_logits和tf.nn.softmax方法，用多个输出神经元制作分类问题的神经网络。但是，当标签矩阵中每个样本只有一列时，这些方法不起作用，因为softmax方法将始终返回1

我尝试用tf.nn.sigmoid替换tf.nn.softmax，用tf.nn.sigmoid\u cross\u entropy\u替换tf.nn.softmax\u cross\u entropy\u，用tf.nn.sigmoid\u cross\u entropy\u替换tf.nn

在只有一个输出神经元的神经网络上，我应该如何定义损失和预测？

只需使用sigmoid层作为最后一层。当您只有一个输出时，不需要任何交叉熵，因此只需让损失函数在sigmoid输出上工作，该输出限制在您想要的输出范围内。

Softmax函数用于多类问题，sigmoid用于二进制分类-