在Keras的后端，我们在K.binary_crossentropy中有一个with_logits标志。普通的二元交叉熵和带logits的二元交叉熵有什么区别？假设我使用的是一个序列到序列模型，我的输出序列类型为100111100011101。

如果我提供一个类似的序列作为输入，并包含时间步，我应该使用什么方法让递归LSTM或RNN从这些数据中学习？

回答：

这取决于在损失函数之前是否有一个sigmoid层。

如果有一个sigmoid层，它会将类别分数压缩成概率，在这种情况下，from_logits应设置为False。损失函数会将这些概率转换为logits，因为这是tf.nn.sigmoid_cross_entropy_with_logits所期望的。

如果输出已经是logit（即原始分数），则传递from_logits=True，不会进行任何转换。

两种选择都是可能的，选择取决于你的网络架构。顺便说一句，如果logit这个术语看起来很吓人，可以看看这个问题，它详细讨论了这个概念。