我建立了一个深度学习模型，该模型接受大小为250*250*3的图像，并输出62500(250*250)二进制矢量，该矢量包含代表背景的0像素和代表ROI的1像素。我的模型是基于DenseNet121的，但当我使用softmax作为最后一层的激活函数和分类交叉熵损失函数时，损失是nan。我可以在我的模型中使用的最佳损失和激活函数是什么？二进制交叉熵和分类交叉熵损失函数之间的区别是什么？提前谢谢。
我可以在模型中使用的最佳损失和激活函数是什么？
- 使用
binary_crossentropy，因为每个输出都是独立的，而不是互斥的，并且可以取值0或1，在最后一层使用sigmoid
查看这个有趣的问题/答案
二进制交叉熵和分类交叉熵损失函数之间的区别是什么？
这是这个问题的一组很好的答案。
编辑1:我的坏，使用binary_crossentropy。
快速查看代码后(再次)，我可以看到keras使用：
- 对于
binary_crossentropy->tf.nn.sigmoid_cross_entropy_with_logits(来自tf-docs)：测量离散分类任务中的概率误差，其中每个类是独立的，而不是互斥的。例如，可以执行多标签分类，其中图片可以同时包含大象和狗。
- 对于
categorical_crossentropy->tf.nn.softmax_cross_entropy_with_logits(来自tf-docs)：测量类互斥的离散分类任务中的概率误差(每个条目正好在一个类中)。例如，每个CIFAR-10图像都有一个且只有一个标签：图像可以是狗或卡车，但不能同时是狗和卡车。