我尝试逐步了解Keras和LSTMS。现在，我在那里构建了一个lstm，输入是一个句子，输出是五个值的数组，每个值可以为0或1。
示例：输入句子："我讨厌饼干"输出示例：[0,0,1,0,1]
为此，我正在使用keras库。
现在我不确定我应该使用哪种损失功能。现在，我只知道两个预定义的损失功能好一些，这似乎对我的例子并不好：
二进制交叉熵：如果我的输出仅为0或1，则很好分类交叉熵：如果我有一个数组的输出，一个1，所有其他值为0。
对于我的例子，这两个功能都没有任何意义。您会使用什么，为什么？
编辑
另一个问题：您将在Keras中使用哪个激活功能？
跨熵上的底漆是横向熵损失或对数损失，可以测量分类模型的性能，其输出是0到1的概率值。
。跨透镜损失随着预测的概率与实际标签的分歧而增加。因此，当实际观察标签为1时，预测概率为.012是不好的，并且会导致高损耗值。
完美的模型将具有0。对于LSTM模型，您可能需要或不需要此损耗功能。这是一个更详细地回答您的问题的链接。
此链接应该让您了解跨渗透性的作用以及何时是使用它的好时机。激活功能在实验的基础上使用。KERA中有很多激活功能，您可以尝试使用这些功能。
请参考YouTube和此博客上的Stanford视频，这两者都会为您提供对如何选择损失功能的基本了解。
祝你好运！
您需要使用logistic激活。这将每个logit在0到1之间的推动，这代表该类别的概率。
然后使用categorical cross entropy。这不会使您的模型成为单个类分类器，因为您使用的是Logistic激活而不是SoftMax激活。
作为经验法则：
- logistic激活将值在0到1 之间
- SoftMax将值推到0到1之间，并使它们成为有效的概率分布（总和至1）
- 交叉熵计算任何类型的分布之间的差异。
我发现了一个非常好的链接，解释了最好的方法是使用" binary_crossentropy"。
原因是数组中的每个值都可以为0或1。因此，我们有一个二进制问题。
我也尝试过。借助我的数据集，我能够使用二进制交叉熵获得92％的精度。对于分类的横熵，我刚刚获得81％的精度。
编辑
我忘了添加链接。多个输入/输出模型的良好解释以及要使用的损失函数：
https://towardsdatascience.com/deep-learning-which-loss-and-activation-functions-should-i-is-i-ac02f1c56aa8
涉及深度学习均值错误的回归问题，MSE是最喜欢的损失函数，但是当涉及到分类问题时，您希望输出为1或0错误的十字二进制熵是可取的