Tensorflow 当我更改输出层的激活函数时，模型不会'；我学不会

我正在尝试制作一个用于情感分析的二元分类器，并使用TensorFlow中基本文本分类教程中的模型，这是下一个：

model = tf.keras.Sequential([
  layers.Embedding(max_features + 1, embedding_dim),
  layers.Dropout(0.2),
  layers.GlobalAveragePooling1D(),
  layers.Dropout(0.2),
  layers.Dense(1)])

该模型的二进制精度为80%。然而，当我将最后一层（密集层）的激活函数改为sigmoid函数时，模型没有学习，二进制精度低于40%

model = tf.keras.Sequential([
  layers.Embedding(max_features + 1, embedding_dim),
  layers.Dropout(0.2),
  layers.GlobalAveragePooling1D(),
  layers.Dropout(0.2),
  layers.Dense(1, activation='sigmoid')])

---

为什么会发生这种情况？

这是因为当您不指定激活函数时，

层。Dense

使用默认的激活函数，即

线性

激活函数，您可以阅读更多有关不同激活函数之间的差异及其工作方式的信息。

这是因为当您不指定激活函数时，

层。Dense

使用默认激活函数，即

线性

激活函数，根据，您可以阅读更多有关不同激活函数之间的差异及其工作方式的信息。

编译模型时您指定了什么样的损失函数？编译模型时您指定了什么样的损失函数？这是事实，但它没有解释为什么默认线性函数的性能优于sigmoid。sigmoid函数应该具有相同或更好的性能，因为它返回的值介于0和1之间。这是事实，但它没有解释为什么默认线性函数的性能优于sigmoid。sigmoid函数应具有相同或更好的性能，因为它返回的值介于0和1之间。