输入输出均为归一化灰度图的Keras回归模型能否用Sigmoid输出？

当你的输入输出都是归一化到[0,1]区间的灰度图像时，用Sigmoid作为回归模型的输出层激活函数完全可行，不用被它常用于分类任务的固有印象束缚，原因和注意点如下：

• 匹配目标范围：Sigmoid的输出天然落在[0,1]区间，刚好和你归一化后的目标图像范围完全对齐，能避免网络输出超出合理范围的问题，这在图像回归任务里是很实用的约束。
• 损失函数要适配：别用分类任务的交叉熵损失，必须选择回归类损失函数，比如Keras里的MeanSquaredError()（均方误差）或MeanAbsoluteError()（平均绝对误差），这才是和回归任务匹配的损失计算方式。
• 替代方案的对比：如果你不想用Sigmoid，也可以用线性激活(Activation('linear'))，但线性激活无法约束输出范围，训练过程中可能出现少量超出[0,1]的输出值，这时候你可能需要额外做裁剪处理；而Sigmoid的约束性更强，训练初期就能保证输出在合理区间，稳定性更高。
• 实际场景验证：像图像超分辨率、图像去噪这类典型的图像到图像回归任务中，很多成熟方案都会用Sigmoid作为输出层激活，只要搭配正确的损失函数，效果完全没问题。

内容的提问来源于stack exchange，提问作者97nevermore