Python 用于多类问题的Softmax或sigmoid
我正在使用VGG16模型,并根据我的数据对它们进行了微调。我预测图像(脸)的种族。我有5个输出类,如白色、黑色、亚洲、次大陆和其他。我应该使用softmax还是sigmoid。为什么 乙状结肠: Softmax: 当您使用softmax时,基本上可以得到每个类的概率(联接分布和多项式似然),其和必定为一 在softmax的情况下,增加一个类的输出值会降低其他类的输出值(因为sum始终为1)。如果您计划只查找一个值(在种族分类器中就是这种情况),则应使用softmax函数。该函数的特征是“只能有一个”。因此,这些都是理想的用于多类问题,如您的问题Python 用于多类问题的Softmax或sigmoid,python,image-processing,deep-learning,data-science,Python,Image Processing,Deep Learning,Data Science,我正在使用VGG16模型,并根据我的数据对它们进行了微调。我预测图像(脸)的种族。我有5个输出类,如白色、黑色、亚洲、次大陆和其他。我应该使用softmax还是sigmoid。为什么 乙状结肠: Softmax: 当您使用softmax时,基本上可以得到每个类的概率(联接分布和多项式似然),其和必定为一 在softmax的情况下,增加一个类的输出值会降低其他类的输出值(因为sum始终为1)。如果您计划只查找一个值(在种族分类器中就是这种情况),则应使用softmax函数。该函数的特征是“只能
对于sigmoid函数,情况就不同了。此函数可以根据阈值为我们提供前n个结果。sigmoid的特点是基于阈值强调多个值(是的,可以是多个值,因此称为“多标签”),我们将其用于多标签分类问题。在一般情况下,如果您处理的是多类别分类问题,您应该使用Softmax,因为您可以通过单独加权并计算连接分布来保证所有类别的概率之和为1,而使用Sigmoid,您可以单独预测每个类别的概率,但不必进行必要的加权。如果不小心并意识到差异,您的输出可能会遇到一些问题