Softmax вызывает очень высокое значение потерь в Керасе

Question

Я работаю над проектом Keras, я использую нейронную сеть для сегментирования изображений.

Модель основана на модели Unet, которую я реализовал в 3D. https://en.wikipedia.org/wiki/U-Net

Это моя реализация Unet в Керасе:

def createUnet3D(n_ch, patch_size, nbclass, deph,multi_gpu=False,nbGPU = 2):
    inputs = Input((deph,patch_size, patch_size, 1))
    conv1 = Conv3D(16, (3, 3, 3), activation='relu', padding='same')(inputs)
    conv1 = Conv3D(16, (3, 3, 3), activation='relu', padding='same')(conv1)
    pool1 = MaxPooling3D(pool_size=(2,2,2))(conv1)

    conv2 = Conv3D(32, (3, 3, 3), activation='relu', padding='same')(pool1)
    conv2 = Conv3D(32, (3, 3, 3), activation='relu', padding='same')(conv2)
    pool2 = MaxPooling3D(pool_size=(2,2,2))(conv2)

    conv3 = Conv3D(64, (3, 3, 3), activation='relu', padding='same')(pool2)
    conv3 = Conv3D(64, (3, 3, 3), activation='relu', padding='same')(conv3)
    pool3 = MaxPooling3D(pool_size=(2,2,2))(conv3)

    conv4 = Conv3D(128, (3, 3, 3), activation='relu', padding='same')(pool3)
    conv4 = Conv3D(128, (3, 3, 3), activation='relu', padding='same')(conv4)
    pool4 = MaxPooling3D(pool_size=(2,2,2))(conv4)

    conv5 = Conv3D(256, (3, 3, 3), activation='relu', padding='same')(pool4)
    conv5 = Conv3D(256, (3, 3, 3), activation='relu', padding='same')(conv5)

    up6 = concatenate([Conv3DTranspose(128, (2,2,2), strides=(2,2,2), padding='same')(conv5), conv4], axis=-1)
    conv6 = Conv3D(512, (3, 3, 3), activation='relu', padding='same')(up6)
    conv6 = Conv3D(512, (3, 3, 3), activation='relu', padding='same')(conv6)

    up7 = concatenate([Conv3DTranspose(64, (2,2,2), strides=(2,2,2), padding='same')(conv6), conv3], axis=-1)
    conv7 = Conv3D(64, (3, 3, 3), activation='relu', padding='same')(up7)
    conv7 = Conv3D(64, (3, 3, 3), activation='relu', padding='same')(conv7)

    up8 = concatenate([Conv3DTranspose(32, (2,2,2), strides=(2,2,2), padding='same')(conv7), conv2], axis=-1)
    conv8 = Conv3D(32, (3, 3, 3), activation='relu', padding='same')(up8)
    conv8 = Conv3D(32, (3, 3, 3), activation='relu', padding='same')(conv8)

    up9 = concatenate([Conv3DTranspose(16, (2,2,2), strides=(2,2,2), padding='same')(conv8), conv1], axis=-1)
    conv9 = Conv3D(16, (3, 3, 3), activation='relu', padding='same')(up9)
    conv9 = Conv3D(16, (3, 3, 3), activation='relu', padding='same')(conv9)

    conv10 = Conv3D(1, (1, 1, 1), activation='softmax')(conv9)



    model = Model(inputs=[inputs], outputs=[conv10])

    if multi_gpu:
        model = multi_gpu_model(model,nbGPU)

    model.summary()
    model.compile(optimizer=Adam(lr=1e-5), loss='binary_crossentropy', metrics=['accuracy'])

    return model

Проблема в том, что когда я начинаю тренировку, уровень точности остается равным 0,0, а потери остаются равными 20,0.

Чтобы попытаться решить проблему, я заменяю функцию softmax на сигмовидную, и тренировка работает нормально.

Но я действительно хочу использовать функцию softmax. Почему сигмоид хорошо работает, а софтмакс нет?