乳腺病变二分类神经网络输出层神经元数设为1还是2？

两种设置本身都能实现二分类效果，不存在绝对的对错，核心是要和标签编码、激活函数、损失函数配套使用，你当前写的model.add(Dense(2, activation='sigmoid'))属于错误搭配，无法输出合法的分类概率结果。

两种配置的具体适用场景和搭配要求如下：

• 输出层设1个神经元（二分类优先推荐）
  这是二分类任务最常用的轻量化配置，对应标签为0/1二值编码（比如标记0为良性、1为恶性）。激活函数必须使用sigmoid，单个输出值的范围在0~1之间，代表样本属于正类（即标记为1的类别）的概率，推理时以0.5为阈值，输出大于0.5判定为恶性，小于0.5判定为良性即可。配套损失函数选择binary_crossentropy（二元交叉熵）。
  这种方案参数量更少，训练和推理效率更高，完全适配你当前的乳腺良恶性二分类场景。
• 输出层设2个神经元（多分类通用规则适配）
  这是把二分类作为多分类特例的通用实现，对应标签需要做one-hot编码（比如良性编码为[1,0]、恶性编码为[0,1]）。注意这个配置下激活函数不能用sigmoid，必须替换为softmax，两个输出值分别代表样本属于良性、恶性的概率，两个值加和固定为1，推理时取概率更高的维度对应类别作为结果即可。如果标签不做one-hot转换，保持0/1数值格式，配套损失函数选sparse_categorical_crossentropy；如果用了one-hot编码，配套损失函数选categorical_crossentropy。

你查到的两种说法不矛盾：“输出神经元数和类别数一致”是多分类任务的通用规则，二分类自然也可以套用；“二分类输出层设1个神经元”是二分类场景下的专属优化实现，两种说法的差异只是对应不同的实现路径，只要配套组件选对都能跑出正确结果，混着搭才会出问题。

针对你的乳腺病变分类场景，直接选1个神经元的配置就够用，没有必要用2个神经元的多分类套法徒增计算量。

内容的提问来源于stack exchange，提问作者farabee