Python 如何对位序列使用二进制交叉熵

我想应用二进制交叉熵函数来预测N个长度位的序列，例如10位的序列[1 0 1 0 1 0 1 0 1 0 0 0]作为基本真值。softmax层后的模型输出大小为[10,2]。第二个维度是指[Probx=0，Probx=1]。我想计算这个序列的二元熵损失

所以我的基本事实是大小[？，10]，我的模型输出是大小[？，10，2]。在这种情况下如何使用二元熵损失

对于这个，我得到一个错误 检查目标时出错：预期模型_3有3个维度，但得到的数组的形状为batchsize，10

---

当我从softmax输出中使用Probx=0或Probx=1]时，我没有得到期望的结果。如何实现这一点？

对于形状为None，10的二进制位地面真实值，模型输出应具有相同的形状。由于每个位都是独立的，为了使用二进制熵损失，您应该在输出端使用sigmoid激活，而不是softmax激活：

一个重要的细节是，模型的输出在[0,1]中是连续的，为了获得位预测，必须将模型的输出阈值设置为0.5这是keras计算二进制精度的方式：

raw_preds = model.predict(some_inputs)
bit_preds = raw_preds > 0.5

---

如果您想使用softmax保留当前模型，那么您必须对标签进行一次热编码，使其具有形状无、10、2，然后使用分类交叉熵作为损失。

通过使用密集层，可以为网络增加更多权重，对吗？在我使用的模型中，最后的softmax作为一个层添加到模型中，就在它不是神经网络之前。有没有办法只添加一个sigmoid层？@toinahseh是的，但除非您包含您的模型代码，否则这些详细信息并不真正负责。我使用Lambda层添加了一个sigmoid层，作为output=Lambdalambda x:keras.backend.sigmoidxoutput。我会尝试用你的方法训练。Thanks@toinahseh您可以对Activationsigmoid执行相同的操作，如更新的答案中所述

raw_preds = model.predict(some_inputs)
bit_preds = raw_preds > 0.5