在神经网络的最后一层，我应该有多少个节点来进行二值分类？

Question

我认为，如果我有一个binary-classification问题，那么我应该总是只有一个节点在最后一层，因为最后一层必须决定分类。但是，在下面的代码中，这不是真的。

让我们下载披萨/牛排数据集(图像数据集)，并使用ImageDataGenerator准备数据

import zipfile
import tensorflow as tf
from tensorflow.keras.layers import Input, Dense, Dropout, Conv2D, MaxPooling2D, Flatten
from tensorflow.keras.preprocessing.image import ImageDataGenerator
from tensorflow.keras.preprocessing import image_dataset_from_directory
from tensorflow.keras.applications import EfficientNetB0, resnet50
from tensorflow.keras.models import Sequential
import numpy as np
import pandas as pd

!wget https://storage.googleapis.com/ztm_tf_course/food_vision/pizza_steak.zip
zip_ref = zipfile.ZipFile("pizza_steak.zip", "r")
zip_ref.extractall()
zip_ref.close()

train_directory = './pizza_steak/train/'
test_directory = './pizza_steak/test/'
IMAGE_SIZE = (224, 224)

image_data_generator = ImageDataGenerator(rescale=1. / 255,
                                          zoom_range=0.2,
                                          shear_range=0.2,
                                          rotation_range=0.2)

train_dt = image_data_generator.flow_from_directory(directory=train_directory,
                                                    class_mode='categorical',
                                                    batch_size=32,
                                                    target_size=IMAGE_SIZE)

test_dt = image_data_generator.flow_from_directory(directory=test_directory,
                                                   class_mode='categorical',
                                                   batch_size=32,
                                                   target_size=IMAGE_SIZE)

然后构建、编译一个神经网络，并在其上拟合数据：

model = Sequential()
model.add(Conv2D(filters=16, kernel_size=3, activation='relu'))
model.add(Conv2D(filters=16, kernel_size=3, activation='relu'))
model.add(MaxPooling2D())
model.add(Conv2D(filters=16, kernel_size=3, activation='relu'))
model.add(Conv2D(filters=16, kernel_size=3, activation='relu'))
model.add(MaxPooling2D())
model.add(Flatten())
model.add(Dense(1, activation='sigmoid'))

model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
model.fit(train_dt,
          epochs=5,
          validation_data=test_dt,
          validation_steps=len(test_dt)

如您所见，val_accuracy并不比0.5000更好，这是非常糟糕的！

现在，如果您只是将最后一层更改为model.add(Dense(2, activation='sigmoid'))，并运行相同的模型，在最后一层中有两个节点，您将得到一个更好的结果，比如val_accuracy: 0.8680。

如何知道，当我有一个binary-classification模型时，在最后一层应该有多少个节点？

Answer 1

多亏了@Dr.Snoopy，我在这里添加了一个答案来完成这个问题。

重点是如何使用image_data_generator.flow_from_directory()对数据进行标记。

如果我们设置class_mode='categorical'，那么目标是ONE_HOT，最后一层的节点数等于“目标特性类的数”。在我的例子中，它是一个二进制特性，所以我需要在最后一层有两个节点。

但是，如果我们使用class_mode='binary'，那么目标将被索引，并且我们只能在最后一层中有一个节点。