深度学习原理42——一文彻底理解sigmoid和softmax的区别和输出通道维度的关系
== 对于sigmoid和softmax看这篇足够了==
这里写目录标题
- 1 模型的输出基本上分为3种情况，当然还有其它的：
- 2 sigmoid和softmax函数是什么
- 3 二分类sigmoid或者softmax
- 4 多分类
-
- 4.1 多分类用softmax
- 4.2 为什么多分类用softmax
- 5 设计网络时候到底用哪个？
-
- 5.1 二分类任务
- 5.2 二分类语义分割
- 5.3 多分类任务和语义分割
- 6 对应损失函数
- 7 总结
- 参考：
1 模型的输出基本上分为3种情况，当然还有其它的：
（1）分类：2分类，多分类，对应输出为一个预测向量，可以是1个，两个，多个
（2）目标检测：对应二维矩阵mn,m行代表有m个目标，n列代表n个特征预测值，x,y,类别类型。
（3）语义分割：mn*k(宽，高，类别数)
2 sigmoid和softmax函数是什么
看下面的博客介绍
(11条消息) 深度学习原理23——激活函数_xiaotiig的博客-CSDN博客_激活函数原理
https://blog.csdn.net/xiaotiig/article/details/111257822
3 二分类sigmoid或者softmax
输出通道维度是1，用sigmoid
输出通道维度是2，用softmax
4 多分类
4.1 多分类用softmax
多分类用softmax，同时注意算不算背景，多分类考虑不考虑其它，语义分割考虑不考虑背景，考虑的话需要在类别的基础上加1，比如20+1
4.2 为什么多分类用softmax
sigmoid和softmax的区别就是互斥与否
同样输出10类，输出通道是10，
（1）用sigmoid的话，表示这10类互不相关，得到的10个概率值中的每个值代表输入这类的概率和不属于这类的概率，0-1之间的值。
比如第4个值，代表输入第4类的值概率和不属于第4类的概率，和其它9个值没关系。
经过sigmoid输出的10个值互不影响，只关注某一类的可能性概率是多大，每一类都是二分类，所以加起来也不等于1，可以是第一类得到的值0.9，第二个也是0.9。
（2）用softmax就不一样了，它要综合考虑10个类，属于每个类的概率，这10个类相互影响，加起来是等于1的。
进一步理解:
（1）可以从网络角度来理解，输出维度是2和输出维度是3，4，5等都叫多分类，输出维度是1才叫2分类。
（2）sigmoid用到10分类中，相当于10个分类器，10个人来判断自己负责的类，都是相互独立的，每个人只负责判断自己对应位置的类别是不是，都比较自私，没有宏观能力。输出为10，用了10个sigmoid函数，1个sigmoid对应1个输入，一个输出，10个sigmoid分类器各自独立计算，得到10个输出。
softmax用到10分类中，相当于1个分类器，1个人来判断属于10个类别的概率，这样就有了宏观思维，能考虑全局，所以多分类中用softmax比较好。输出为10个，输入为10个，1个softmax分类器综合计算。
（3）多分类任务中我们不是就不能用sigmiod，可以用，只不过它不能考虑多个类别的综合情况，所以效果一半较差，我们不用它。
损失函数softmax_cross_entropy、binary_cross_entropy、sigmoid_cross_entropy之间的区别与联系 - 灰信网（软件开发博客聚合）
https://www.freesion.com/article/7062261412/
(2条消息) 一分钟理解softmax函数（超简单）_L.Z.的博客-CSDN博客_softmax
https://blog.csdn.net/lz_peter/article/details/84574716
5 设计网络时候到底用哪个？
（1）分类任务中，输出为1，用sigmoid,输出不为1，用softmax
（2）语义分割中，输出为1，用sigmoid,输出不为1，用softmax
（3）特殊情况，二分类任务和二分类语义分割，输出通道维度可以是1，也可以是2。输出为1，用sigmoid,输出为2，用softmax。一半情况下，二分类任务输出通道为1，用sigmoid。二分类语义分割输出维度通道设为2，用softmax。
当然二分类任务和二分类语义分割输出通道为1或为2都行，效果都差不多。
（4）多标签任务中，就是一个图像可以包括人，猫，房子等多标签任务，一般用sigmoid，因为它们互不影响，究其本质还是看类别之间概率是不是相互影响来确定用sigmoid还是softmax,这是由它们的计算公式来区别的，sigmoid计算公式只用到了1个输入，softmax的输入是多个。
logits代表没有经过softmax或者sigmoid的计算。pre = logits+softmax或者pre = logits+sigmoid。
3种情况一般按这样做就行：
5.1 二分类任务
（1）二分类任务
（2）输出通道设为1
（3）用sigmoid
5.2 二分类语义分割
（1）二分类语义分割
（2）输出通道设为2
（3）用softmax
5.3 多分类任务和语义分割
（1）多分类任务和多分类语义分割
（2）输出通道为n>2
（3）用softmax
6 对应损失函数
二分类和多分类都叫交叉熵损失函数，一个是sigmoid交叉熵损失函数，一个是softmax交叉熵损失函数
用的是sigmoid，就用binary_cross_entropy
用的是softmax，就用softmax_cross_entropy
损失函数softmax_cross_entropy、binary_cross_entropy、sigmoid_cross_entropy之间的区别与联系 - 你的雷哥 - 博客园
https://www.cnblogs.com/henuliulei/p/13742376.html
7 总结
3个决定（1）任务决定模型的输出通道维度，（2）输出通道维度决定用sigmoid还是softmax(不考虑多标签)，（3）sigmoid和softmax决定损失函数。
参考：
(11条消息) sigmoid、softmax和交叉熵损失函数_xiaohuihui1994的博客-CSDN博客_sigmoid损失函数和softmax损失函数
https://blog.csdn.net/xiaohuihui1994/article/details/94179698?spm=1001.2101.3001.6661.1&utm_medium=distribute.pc_relevant_t0.none-task-blog-2%7Edefault%7EBlogCommendFromBaidu%7Edefault-1.no_search_link&depth_1-utm_source=distribute.pc_relevant_t0.none-task-blog-2%7Edefault%7EBlogCommendFromBaidu%7Edefault-1.no_search_link&utm_relevant_index=1