U-Net语义分割的最后一层应该使用Softmax还是Sigmoid，为什么？

U-Net网络是一种用于图像分割的深度卷积神经网络。对于语义分割输出最后一层应该使用Softmax还是Sigmoid存在争议。在使用U-Net时，其最后一层的激活函数有两种选择：使用Sigmoid或使用Softmax。那么选用哪一种好呢？以下是两种方法的解释和示例。

1. 使用Sigmoid作为输出层的激活函数

Sigmoid是常用的二元分类激活函数，其为每个像素输出一个0到1之间的值，表示该像素被分为目标类的概率，同时也可以表示该像素未被分为目标类的概率。因此，对于二元像素分类，使用Sigmoid激活函数作为输出层是一种自然的选择。以下是使用Keras实现的示例代码：

from keras.models import Model
from keras.layers import Conv2D, MaxPooling2D, Dropout, UpSampling2D, Concatenate, Input, BatchNormalization
from keras.backend import sigmoid

def unet_sigmoid(input_shape=(572, 572, 1), num_classes=1):
    inputs = Input(shape=input_shape)

    # Encoding path
    conv1 = Conv2D(64, 3, activation='relu', padding='same')(inputs)
    conv1 = Conv2D(64, 3, activation='relu', padding='same')(conv1)
    pool1 = MaxPooling2D(pool_size=(2, 2))(conv1)

    conv2 = Conv2D(128, 3, activation='relu', padding='same')(pool1)
    conv2 = Conv2D(128, 3, activation='relu', padding='same')(conv2)
    pool2 = MaxPooling2D(pool_size=(2, 2))(conv2)

    conv3 = Conv2D(256,