我在使用Keras训练模型时，需要预测图像属于类别0还是类别1。我对二元交叉熵和分类交叉熵感到困惑。尽管我已经搜索过相关信息，但仍然感到迷惑。有人提到，只有在预测多类别时才使用分类交叉熵，并且需要使用独热编码向量。因此，这意味着在使用二元交叉熵训练时，我们不需要任何独热编码的标签。还有人建议，对于二元交叉熵，可以将独热向量表示为[0. 1.]（如果类别是1）或[1. 0.]（如果类别是0）。我使用的是[0 1]或[1 0]的独热编码器与分类交叉熵。我的最后一层是

model.add(Dense(num_classes, activation='softmax'))  # Compile modelmodel.compile(loss='categorical_crossentropy',               optimizer='adadelta',               metrics=['accuracy'])

回答：

它们在数学上对于2个类别是相同的，因此是二元的。换句话说，2类别的分类交叉熵与单输出二元交叉熵是相同的。为了给出一个更具体的例子，以下是相同的：

model.add(Dense(1, activation='sigmoid'))model.compile(loss='binary_crossentropy', ...)# 与下面的相同model.add(Dense(2, activation='softmax'))model.compile(loss='categorical_crossentropy', ...)

该使用哪一个？ 为了避免对分类输出进行独热编码，如果你只有2个类别，从编码的角度来看，使用二元交叉熵会更简单。根据实现情况，二元情况可能在计算上更有效率。