Saya ingin menggunakan pembelajaran mendalam untuk melatih deteksi biner wajah / non-wajah, kerugian apa yang harus saya gunakan, saya pikir itu adalah SigmoidCrossEntropyLoss atau Hinge-loss .
Apakah itu benar, tetapi saya juga bertanya-tanya apakah saya harus menggunakan softmax tetapi hanya dengan dua kelas?
deep-learning
loss-functions
computer-vision
conv-neural-network
pengguna824624
sumber
sumber
sigmoid(sebagai aktivasi lapisan terakhir). Terima kasihAnda pasti dapat menggunakan softmax dengan hanya 2 kelas "Face" dan "Not Face" dan mengartikan output softmax sebagai skor kepercayaan, yang merupakan fitur yang bagus untuk mendapatkan intuisi tentang deep net Anda.
Cobalah softmax 2-kelas dan kehilangan engsel biner. Ada makalah baru-baru ini Belajar Dalam menggunakan Linear Support Vector Machines menggunakan SVM bukan classifier softmax di atas jaring yang dalam dan ada beberapa hasil yang menjanjikan di sana.
sumber
Biasanya kerugian logaritmik akan menjadi pilihan yang lebih disukai, digunakan dalam kombinasi dengan hanya satu unit output. Kehilangan logaritmik juga disebut entropi silang biner karena ini merupakan kasus khusus dari entropi silang yang hanya bekerja pada dua kelas.
sumber
Secara teoritis, sebuah softmax dengan 2 kelas dapat ditulis ulang sebagai sigmoid, karenanya tidak boleh ada perbedaan dalam hasil antara keduanya. Secara praktis, seperti yang disebutkan @dontloo, jumlah parameter di lapisan output akan menjadi dua kali lipat (tidak yakin apakah ini dapat menyebabkan masalah overfitting), dan tentu saja Anda akan memiliki 2 skor untuk dua kelas (Wajah dan Non_Face).
sumber