我正在尝试找出如何匹配 activation=sigmoid
和activation=softmax
正确的model.compile(
)损失参数。特别是与 binary_crossentropy
相关的那些.
我研究了相关主题并阅读了文档。我还构建了一个模型并使其与 sigmoid
一起使用但不是softmax
。我无法让它与“from_logits
”参数正常工作。
具体来说,here它说:
Args:
from_logits
: Whetheroutput
is expected to be a logits tensor. By default, we consider thatoutput
encodes a probability distribution.
这对我来说,如果你使用 sigmoid
激活您想要的“from_logits=True
”。对于softmax
默认情况下您需要“from_logits=False
”激活。这里我假设sigmoid
提供logits
和softmax
提供概率分布。
接下来是一些代码:
model = Sequential()
model.add(LSTM(units=128,
input_shape=(n_timesteps, n_features),
return_sequences=True))
model.add(Dropout(0.3))
model.add(LSTM(units=64, return_sequences=True))
model.add(Dropout(0.3))
model.add(LSTM(units=32))
model.add(Dropout(0.3))
model.add(Dense(16, activation='relu'))
model.add(Dropout(0.3))
model.add(Dense(1, activation='sigmoid'))
请注意,最后一行使用 sigmoid
激活。然后:
model.compile(optimizer=optimizer,
loss='binary_crossentropy',
metrics=['accuracy'])
这工作正常,但它使用默认的“from_logits=False”,它期望概率分布。
如果我执行以下操作,则会失败:
model.compile(optimizer=optimizer,
loss='binary_crossentropy',
metrics=['accuracy'],
from_logits=True) # For 'sigmoid' in above Dense
出现此错误消息:
ValueError: Invalid argument "from_logits" passed to K.function with TensorFlow backend
如果我尝试使用 softmax 激活:
model.add(Dense(1, activation='softmax'))
它可以运行,但我得到的准确度结果是 50%。与sigmoid
我的准确率达到了+99%。 (我正在使用一个非常人为的数据集来调试我的模型,并且期望非常高的准确性。此外,它是一个非常小的数据集,并且会过度拟合,但目前还可以。)
所以我希望我应该能够在编译函数中使用“from_logits
”参数。但它不识别该参数。
我还想知道为什么它可以与 sigmoid
一起使用激活而不是 softmax
激活以及如何让它与 softmax
一起工作激活。
谢谢,
乔恩。
最佳答案
要在损失函数中使用 from_logits
,您必须将其传递到 BinaryCrossentropy对象初始化,不在模型编译中。
您必须更改此设置:
model.compile(optimizer=optimizer,
loss='binary_crossentropy',
metrics=['accuracy'],
from_logits=True)
对此:
model.compile(optimizer=optimizer,
loss=tf.keras.losses.BinaryCrossentropy(from_logits=True),
metrics=['accuracy'])
但是,如果您在网络的最后一层使用 softmax 或 sigmoid,则不需要需要from_logits=True
。 Softmax 和 sigmoid 输出 [0, 1] 之间的归一化值,在这种情况下被视为概率。
请参阅此问题了解更多信息:What is the meaning of the word logits in TensorFlow?
<小时/>现在要解决 softmax 的 50% 准确度问题,请更改以下代码:
model.add(Dense(1, activation='softmax'))
对此:
model.add(Dense(2, activation='softmax')) # number of units = number of classes
请记住,当您使用 softmax 时,您将输出属于每个类的示例的概率。因此,每个可能的类别都需要一个单位,在二元分类上下文中为 2 个单位。
关于python - 如何为binary_crossentropy、activation=sigmoid和activation=softmax指定model.compile?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/55929401/