我正在按照这个keras教程来使用MNIST数据集创建自动编码器。这是本教程：https://blog.keras.io/building-autoencoders-in-keras.html。
但是，我对简单的单层自动编码器的激活和丢失选择感到困惑（这是链接中的第一个示例）。与sigmoid之类的东西相比，解码器部分使用了relu激活有特定的原因吗？我试图了解这是我可以选择的选择，还是应该确实是sigmoid，如果可以，为什么？同样，我了解到损失是通过逐像素比较原始位和预测位来实现的，但是我不确定为什么损失为binary_crossentropy而不是均方误差。
我希望澄清这一点，以帮助我前进！谢谢！
MNIST图像通常在[0, 1]范围内归一化，因此自动编码器应在相同范围内输出图像，以便于学习。这就是在输出中使用sigmoid激活的原因。
均方误差损失具有非线性损失，较大的误差比较小的误差具有更大的损失，这通常导致收敛到解的平均值，而不是更精确的解。二元交叉熵没有这个问题，因此是优选的。之所以可以使用它，是因为模型的输出和标签在[0, 1]范围内，并且损失将应用于所有像素。