分类问题、回归问题，使用的损失函数和评估指标
| 问题 | 模型的最后一层应该使用的激活函数 | 损失函数 | 评估指标 |
|---|---|---|---|
| 二分类问题 | sigmoid | binary_crossentropy | accuracy |
| 单标签、多分类问题 | softmax | 处理多分类问题的标签有两种方法： 1. 通过分类编码（也叫one-hot编码）对标签进行编码，然后使用categorical_crossentropy损失函数； 2. 将标签编码为整数，然后使用sparse_categorical_crossentropy损失函数。 |
accuracy |
| 多标签、多分类问题 | |||
| 回归问题 | 模型的最后一层只有一个单元且没有激活函数，它是一个线性层。这是标量回归（标量回归是预测单一连续值的回归）的典型设置。 这里最后一层是纯线性的，所以模型可以学会预测任意范围的值。 |
均方误差（MSE，mean squared error） | 平均绝对误差（MAE，mean absolute error） |
参考：《Python深度学习》第4章 神经网络入门：分类与回归，https://weread.qq.com/web/reader/33f32c90813ab71c6g018fff?
