我有一个简单的模型，用于分类三角形和圆形的图像。

代码:

    model = Sequential([    Conv2D(16, 3, padding='same', activation='relu', input_shape=(150, 150 ,3)),    MaxPooling2D(),    Conv2D(32, 3, padding='same', activation='relu'),    MaxPooling2D(),    Conv2D(64, 3, padding='same', activation='relu'),    MaxPooling2D(),    Flatten(),    Dense(512, activation='relu'),    Dense(1,activation='sigmoid'),])    model.compile(optimizer='adam',                  loss='binary_crossentropy',                  metrics=['accuracy'])    model.fit(Xtr,ytr,epochs=3,batch_size=10)

在测试集上的表现是:

但是当我将输出层的激活函数改为softmax，即最后一层变成Dense(1,activation='softmax')时，模型的表现变为

我做了不同的数据集分割，结果大致相同（使用softmax激活的模型表现同样差）。问题出在哪里？

回答：

在你当前的配置下使用softmax，实际上是强制它总是只选择一个类。这可能是你使用softmax时总是得到一个类的召回率等于零而另一个类等于一的原因。

首先，你需要更改损失函数。binary_crossentropy不应该用于softmax。如果你将损失函数改为categorical cross-entropy，并将最后一层的DENSE大小设为2（因为你想用softmax在两个类之间选择），你应该会得到几乎相同的表现；即：更改代码的这一部分;

Dense(1,activation='sigmoid'),])model.compile(optimizer='adam',              loss='binary_crossentropy',              metrics=['accuracy'])

为这一部分:

Dense(2,activation='softmax'),])model.compile(optimizer='adam',              loss='categorical_crossentropy',              metrics=['accuracy'])