如何在TensorFlow/Keras中仅对Dense层单个输出节点应用sigmoid激活

你需要对输出的6维张量做分片处理，仅对第一个维度应用sigmoid，其余保持线性输出，有两种常用实现方式：

方案1：最小改动适配现有Sequential代码 #

只需要在原有Dense(6)层后新增一个Lambda层做自定义运算即可，同时修正你原有代码里的几处语法笔误：

import tensorflow as tf
from tensorflow.keras.layers import Reshape, Conv2D, BatchNormalization, Activation, MaxPool2D, Flatten, Dense, Lambda

image_size = 28 # 替换为你的实际图片尺寸
parameters = {'kernel_size':3, 'padding':'same'} # 替换为你的实际卷积参数

model = tf.keras.models.Sequential()
model.add(Reshape((image_size, image_size, 1), input_shape = (image_size, image_size))) # 补全原代码缺失的右括号
model.add(Conv2D(8, **parameters))
model.add(BatchNormalization())
model.add(Activation('relu')) # 补全原代码缺失的右括号
model.add(MaxPool2D()) # 修正原代码大写的Model为小写model
model.add(Flatten())
model.add(Dense(6))
# 新增分片激活层
model.add(Lambda(lambda x: tf.concat([tf.sigmoid(x[:, :1]), x[:, 1:]], axis=-1)))

代码说明：Lambda层的运算逻辑为：取输出张量的第一个维度x[:, :1]应用sigmoid激活，剩余5个维度x[:, 1:]保持原值，最后按最后一个维度拼接回6维张量。

方案2：函数式API实现（更适合多任务损失配置） #

如果后续需要分别为二分类任务和回归任务设置不同的损失权重，更推荐用函数式API拆分逻辑：

import tensorflow as tf
from tensorflow.keras.layers import Reshape, Conv2D, BatchNormalization, Activation, MaxPool2D, Flatten, Dense, Input

image_size = 28
parameters = {'kernel_size':3, 'padding':'same'}

inputs = Input(shape=(image_size, image_size))
x = Reshape((image_size, image_size, 1))(inputs)
x = Conv2D(8, **parameters)(x)
x = BatchNormalization()(x)
x = Activation('relu')(x)
x = MaxPool2D()(x)
x = Flatten()(x)
dense_out = Dense(6)(x)
# 分片处理激活
out1 = tf.sigmoid(dense_out[:, :1])
out2 = dense_out[:, 1:]
outputs = tf.concat([out1, out2], axis=-1)

model = tf.keras.Model(inputs=inputs, outputs=outputs)

配套损失函数建议 #

由于输出同时包含二分类和回归任务，建议自定义损失函数匹配标签类型：

def custom_loss(y_true, y_pred):
    # 第一个维度用二分类交叉熵
    bce_loss = tf.keras.losses.BinaryCrossentropy()(y_true[:, 0], y_pred[:, 0])
    # 后5个维度用均方误差
    mse_loss = tf.keras.losses.MeanSquaredError()(y_true[:, 1:], y_pred[:, 1:])
    # 可根据任务需求调整两类损失的权重
    return bce_loss + 0.5 * mse_loss

# 模型编译时指定自定义损失
model.compile(optimizer='adam', loss=custom_loss)

内容的提问来源于stack exchange，提问作者Varun