我构建了一个深度学习模型，该模型接受大小为250*250*3的图像，并输出62500（250*250）个二进制向量，其中背景像素为0，感兴趣区域（ROI）像素为1。我的模型基于DenseNet121，但当我在最后一层使用softmax作为激活函数并使用分类交叉熵损失函数时，损失值为NaN。我应该在我的模型中使用什么最佳的损失函数和激活函数？二元交叉熵损失函数和分类交叉熵损失函数有什么区别？提前感谢。
回答：
我应该在我的模型中使用什么最佳的损失函数和激活函数？
- 使用
binary_crossentropy，因为每个输出是独立的，不是互斥的，并且可以取值0或1，在最后一层使用sigmoid。
查看这个有趣的问题/回答
二元交叉熵损失函数和分类交叉熵损失函数有什么区别？
这里有一组很好的回答来解答这个问题。
编辑1： 我的错误，应该使用binary_crossentropy。
在快速查看代码（再次）后，我可以看到Keras使用的是：
- 对于
binary_crossentropy->tf.nn.sigmoid_cross_entropy_with_logits
(来自TensorFlow文档)：测量离散分类任务中的概率误差，其中每个类别是独立的且非互斥的。例如，可以进行多标签分类，其中一张图片可以同时包含大象和狗。
- 对于
categorical_crossentropy->tf.nn.softmax_cross_entropy_with_logits
(来自TensorFlow文档)：测量离散分类任务中的概率误差，其中类别是互斥的（每个条目只属于一个类别）。例如，每张CIFAR-10图像只标有一个标签：一张图片可以是狗或卡车，但不能同时是两者。
