我正在尝试使用TensorFlow和Keras设计基于深度学习的分类模型。在我的模型中，标签是长度可变的序列，例如：ABC，CADB或ABCDB。
为简单起见，在输出层中，我使用固定长度（等于最长序列的长度）来存储所有序列。因此，如果序列的长度短于固定长度，则该序列用一个热向量（对应于序列的实际长度）和零个向量（对应于剩余长度）表示。
例如，如果固定长度为5，则序列CADB用4 * 5矩阵表示，如下所示：
请注意：此矩阵的前4列是单热向量，每个向量只有一个1条目，而其他所有条目均为0。但是最后一列的条目全为0，由于序列不够长，因此可以将其视为零填充。
如果所有向量都是一个热向量，则分类交叉熵是损失函数的不错选择。但是在我的情况下，某些向量（例如，上图中的第5列）只有0个条目，分类交叉熵在这里不起作用。
所以我的问题是：在这种情况下使用什么损失函数？
最佳答案
这就是我的理解：您具有固定的序列长度作为输出。例如，假设序列的最大长度为10，那么最后一层的输出长度为10。在某些情况下，生成的长度序列仅为4，在这种情况下，最后6个输出将为0。这是多标签多类分类问题。由于在最后一个密集层中使用Keras，因此可以使用S型激活，而对于丢失，可以使用binary_crossentropy。尽管（不确定使用的是哪种体系结构），但是在生成序列的情况下，与简单的密集层相比，像RNN，LSTM这样的序列模型会更好。
关于machine-learning - 如果输出层(标签)由一热向量和零向量组成，应该使用什么损失函数？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/58888308/