关于图片分类深度学习模型输出层、模型编译中的相关问题小结（基于tensorflow框架）-CSDN博客

本文链接：https://blog.csdn.net/weixin_42778485/article/details/131175633

下面均以二分类问题为例子说明上述问题。

一、关于模型输出层激活函数的选择

如果样本序号使用的序号编码，如使用sklearn.preprocessing中的LabelEncoder样样本编码，那么输出层的激活函数应如下所示：

model.add(tf.keras.layers.Dense(1, activation='sigmoid'))

预测值是1个值，一般人为小于0.5是第一个类，大于0.5是第二类；

如果使用独热编码OneHot Encoding，这输出的是1个列表包含两个值（这里是二分类），哪个值大就是属于哪个类别，其输出层激活函数应如下所示：

model.add(Dense(2, activation='softmax'))

其他多分类的也与此相同。

二、关键模型编译中精度评级指标和loss方法的选择

如果是二分类loss选择二元交叉熵 (binary crossentropy)即可，如果是多分类可以采用类别交叉熵 (categorical crossentropy)。

另外，模型编译中的metrics除了常用的‘accuracy’，还可以使用自定义metrics，比如F1-score指标，这需要先定义该指标评价函数：

def f1_score(yTrue, yPred):
    """
    计算F1 score.
    """
    tp = tf.keras.backend.sum(tf.keras.backend.round(tf.keras.backend.clip(yTrue * yPred, 0, 1)))
    # tn = tf.keras.backend.sum(tf.keras.backend.round(tf.keras.backend.clip((1 - yTrue) * (1 - yPred), 0, 1)))
    fp = tf.keras.backend.sum(tf.keras.backend.round(tf.keras.backend.clip((1 - yTrue) * yPred, 0, 1)))
    fn = tf.keras.backend.sum(tf.keras.backend.round(tf.keras.backend.clip(yTrue * (1 - yPred), 0, 1)))
    precision = tp / (tp + fp + tf.keras.backend.epsilon())
    recall = tp / (tp + fn + tf.keras.backend.epsilon())
    f1_score = 2 * precision * recall / (precision + recall + tf.keras.backend.epsilon())
    return f1_score

然后在模型编译时调用该函数即可，如下所示：

model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=0.003),
              loss='binary_crossentropy',
              metrics=[f1_score])