Tensorflow 在多标签图像分类任务中，哪个损失函数能很好地收敛？

我用

sigmoid

作为输出激活函数，用

binary\u交叉熵

作为损失函数，训练了一个多标签多类图像分类器。 验证的准确度曲线显示出上下波动，而损失曲线在几个时期显示出奇怪（非常高）的值

以下是微调（最后一个块）

VGG19

模型的精度和损耗曲线，该模型具有

Dropout

和

BatchNormalization

微调（最后一块）

VGG19

模型的精度和损耗曲线，带有

辍学

、

批量标准化

和

数据增强

我用1800个训练图像（5个标签）和100个验证图像训练分类器。我使用的优化器是

SGD（（lr=0.001，momentum=0.99）

。 有人能解释为什么某些EOCH的损失曲线变得如此奇怪或高？

---

我应该使用不同的损失函数吗？如果是，哪一个？

不用担心-一切都很好。你的损失曲线没有说太多，特别是“损失曲线中的尖峰”。它们是完全允许的，你的模型还在训练中。你应该看看你的准确度曲线，我认为这一曲线上升得很正常。

谢谢你@Frederik的回答。我仍然很满意“我无法理解，为什么损失曲线中会出现这些尖峰。这个模型预测81/100的标签都是正确的，汉明损失约为6%？为什么？这是巧合。模型在训练时间的那一刻的权重很好地符合之前看到的训练数据，但显然它在测试数据上失败了很多。这仍有待学习。”ing。想象一个孩子试图学习一些东西。比如说，经过一点练习，他认为自己学会了一条捷径来完成任务，后来才发现这只是一条捷径，而且并不总是有效的，所以他学会了正确的完成任务的方法。谢谢@Frederik，我明白了。