如何在 Keras 中为每个输出应用 sigmoid 函数?

Question

这是我代码的一部分。

model = Sequential()
model.add(Dense(3, input_shape=(4,), activation='softmax'))
model.compile(Adam(lr=0.1),
loss='categorical_crossentropy',
metrics=['accuracy'])

使用此代码，它将一次将 softmax 应用于所有输出。因此，输出指示所有概率。但是，我正在研究非排他性分类，这意味着我希望输出具有独立的概率。 对不起，我的英语不好... 但我想做的是将 sigmoid 函数应用于每个输出，以便它们具有独立的概率。

Answer 1

无需像接受的答案所建议的那样创建 3 个单独的输出。

只需一行即可获得相同的结果：

model.add(Dense(3, input_shape=(4,), activation='sigmoid'))

---

您可以只对最后一层使用'sigmoid'激活：

from tensorflow.keras.layers import GRU
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Dropout, Activation
import numpy as np
from tensorflow.keras.optimizers import Adam
model = Sequential()
model.add(Dense(3, input_shape=(4,), activation='sigmoid'))
model.compile(Adam(lr=0.1),
loss='categorical_crossentropy',
metrics=['accuracy'])
pred = model.predict(np.random.rand(5, 4))
print(pred)

独立概率的输出：

[[0.58463055 0.53531045 0.51800555]
[0.56402034 0.51676977 0.506389  ]
[0.665879   0.58982867 0.5555959 ]
[0.66690147 0.57951677 0.5439698 ]
[0.56204814 0.54893976 0.5488999 ]]

---

如您所见，类概率彼此独立。sigmoid 分别应用于每个类。

Answer 2

您可以尝试使用函数式 API 创建一个具有 n 个输出的模型，其中每个输出都使用sigmoid激活。

你可以这样做

in = Input(shape=(4, ))
dense_1 = Dense(units=4, activation='relu')(in)
out_1 = Dense(units=1, activation='sigmoid')(dense_1)
out_2 = Dense(units=1, activation='sigmoid')(dense_1)
out_3 = Dense(units=1, activation='sigmoid')(dense_1)
model = Model(inputs=[in], outputs=[out_1, out_2, out_3])