具有对数损失的 TensorFlow 单 sigmoid 输出与具有稀疏 softmax 交叉熵损失的两个线性输出，用于二进制分类

Question

我正在尝试在 TensorFlow 中实现二进制分类器。如果我在最后一层有两个普通输出（即没有激活）并使用tf.losses.sparse_softmax_cross_entropy，我的网络会按预期进行训练。但是，如果我将输出层更改为使用tf.sigmoid 激活生成单个输出并使用tf.losses.log_loss 作为损失函数，我的网络不会训练（即损失/准确性没有提高）。

这是我的输出层/损失函数在第一个（即工作）案例中的样子：

out = tf.layers.dense(prev, 2)
loss = tf.losses.sparse_softmax_cross_entropy(labels=y, logits=out)

在第二种情况下，我有以下内容：

out = tf.layers.dense(prev, 1, activation=tf.sigmoid)
loss = tf.losses.log_loss(labels=y, predictions=out)

张量y是0/1值的向量；它不是单热编码的。在第一种情况下，网络按预期学习，但在第二种情况下则不然。除了这两行之外，其他一切都保持不变。

我不明白为什么第二个设置不起作用。有趣的是，如果我在 Keras 中表达相同的网络并使用第二种设置，它就可以工作。在第二种情况下，我是否使用了错误的 TensorFlow 函数来表达我的意图？我想产生一个单一的 sigmoid 输出并使用二元交叉熵损失来训练一个简单的二元分类器。

我正在使用 Python 3.6 和 TensorFlow 1.4。

Here 是一个小型、可运行的 Python 脚本，用于演示该问题。请注意，您需要从 Kaggle 下载 StatOil/C-CORE 数据集才能按原样运行脚本。

谢谢！

Answer 1

在两个输出上使用sigmoid 激活不会给出概率分布：

import tensorflow as tf
import tensorflow.contrib.eager as tfe
tfe.enable_eager_execution()

start = tf.constant([[4., 5.]])
out_dense = tf.layers.dense(start, units=2)
print("Logits (un-transformed)", out_dense)
out_sigmoid = tf.layers.dense(start, units=2, activation=tf.sigmoid)
print("Elementwise sigmoid", out_sigmoid)
out_softmax = tf.nn.softmax(tf.layers.dense(start, units=2))
print("Softmax (probability distribution)", out_softmax)

打印：

Logits (un-transformed) tf.Tensor([[-3.64021587  6.90115976]], shape=(1, 2), dtype=float32)
Elementwise sigmoid tf.Tensor([[ 0.94315267  0.99705648]], shape=(1, 2), dtype=float32)
Softmax (probability distribution) tf.Tensor([[ 0.05623185  0.9437682 ]], shape=(1, 2), dtype=float32)

您也可以在单个 logit 上使用 tf.sigmoid 而不是 tf.nn.softmax，然后将另一个输出设置为减去该值。