Tensorflow 作为二元分类的最后一层，稠密（2）和稠密（1）之间的区别是什么？

在用于图像二值分类的CNN中，输出的形状应该是（图像数量1）还是（图像数量2）？具体来说，这里有两种CNN中的最后一层：

keras.layers.Dense(2, activation = 'softmax')(previousLayer)

或

在第一种情况下，对于每个图像有2个输出值（属于组1的概率和属于组2的概率）。在第二种情况下，每个图像只有一个输出值，即其标签（0或1，label=1表示它属于组1）

哪一个是正确的？有内在的区别吗？我不想识别这些图像中的任何对象，只需将它们分成两组

---

非常感谢

第一个是正确的解决方案：

keras.layers.Dense(2, activation = 'softmax')(previousLayer)

通常，我们使用

softmax

激活功能来执行分类任务，输出宽度将是类别的数量。这意味着，如果要使用标签

A

、

B

或

C

将一个对象分为三类，则需要使

稠密层生成形状为
（无，3）
的输出。然后，您可以使用
交叉熵
损失函数来计算
损失
，自动计算梯度，并执行反向传播过程

如果您只想在
稠密
层中生成一个值，这意味着您将得到一个形状为
（None，1）
-的张量，因此它会生成一个数值，就像
回归
任务一样。您正在使用输出的值来表示类别。答案是正确的，但与
分类任务的一般解决方案不同。
区别在于类别概率是否相互独立（多标签分类）

当有两个类时，通常有
p（c=1）+p（c=0）=1

keras.layers.Dense(2, activation = 'softmax') 

keras.layers.Dense(1, activation = 'sigmoid')

就类别概率而言，两者都是正确的。唯一的区别在于培训期间如何提供标签。但是

keras.layers.Dense(2, activation = 'sigmoid')

在这种情况下是不正确的。但是，如果您有
P（c=1）+P（c=0）！=1
。这是多标签分类的情况，其中一个实例可能属于多个正确的类。
第二个代码段仅产生常量值1.0，不能将softmax与单个神经元一起使用。您知道为什么文档（）建议相反的方式（仅一个输出）？。对我来说，如果我使用一个输出维度的最终密集层，然后使用
二进制交叉熵
，或者使用两个输出维度的最终密集层，然后使用
稀疏分类交叉熵
@KLaz实际上，当我们想做分类任务时，我们将根据分类类别的数量选择损失函数。在Keras中，如果我们想进行两类分类，我们通常使用
Dense（1，activation='sigmoid'，name='output'）
作为最后一个节点，我们将使用
二进制交叉熵
损失函数编译模型。但是当我们想做一个多类分类任务时，我们选择
Dense（4，activation='softmax'，name='output'）
作为输出节点，相应地我们选择
category_crossentropy
作为损失函数。@KLaz我想做这个任务可能只是一种习惯，因为它可以产生相同的结果。@NeoXu，我有两种疾病分类（X和非X），我在最后一个致密层中使用了2种，之后激活了
sigmoid
。对于损失，我使用了
mean_squared_error
。在此之前，列车和测试标签被转换为分类标签。你认为这是正确的做法吗？或者我根本不应该将
转换为_category
，然后在稠密的
sigmoid
中使用1，
binary\u crossentropy
作为损失？
keras.layers.Dense(2, activation = 'sigmoid')