在keras中使用label powerset时如何传递epoch和batch size

Question

我有一个多标签问题，通过一些研究，我能够将 Label powerset 与 ML 算法结合使用。现在我想将 Label powerset 与神经网络一起使用，根据 official website 我可以使用 Label powerset。但我无法理解如何修改现有代码才能使用 Label Powerset。

我想知道我们如何传递 epoch 或 batch_size 或模型的 fit 函数中传递的任何其他参数。

由于我有一个多标签问题，我使用了 sklearn 的 MultiLabelBinarizer，所以我的每个目标行看起来像这样 [1,0,0,1,0,0,0,0,0,0,0,0] .

最后，如果有人可以在下面的行中向我解释什么是 KERAS_PARAMS 和 Keras()：

def create_model_multiclass(input_dim, output_dim):
    # create model
    model = Sequential()
    model.add(Dense(8, input_dim=input_dim, activation='relu'))
    model.add(Dense(output_dim, activation='softmax'))
    # Compile model
    model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
    return model
clf = LabelPowerset(classifier=Keras(create_model_multiclass, True, KERAS_PARAMS), require_dense=[True,True])
clf.fit(X_train,y_train)
y_pred = clf.predict(X_test)

下面是我现有的神经网络代码

cnn_model = Sequential()
cnn_model.add(Dropout(0.5))
cnn_model.add(Conv1D(25,7,activation='relu'))
cnn_model.add(MaxPool1D(2))
cnn_model.add(Dropout(0.2))
cnn_model.add(Conv1D(25,7,activation='relu'))
cnn_model.add(MaxPool1D(2))
cnn_model.add(Flatten())
cnn_model.add(Dense(25,activation='relu'))
cnn_model.add(Dense(12,activation='softmax'))
cnn_model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['acc'])
history = cnn_model.fit(X_train, y_train, validation_data=(X_test,y_test), batch_size=32, epochs=180,verbose=1)
plot_history(history)
predictions = cnn_model.predict(X_test)

我希望我的输出行看起来只有 [1,0,0,1,0,0,0,0,0,0,0,0]，因为稍后我将使用 MultiLabelBinarizer 进行逆变换这个。

Answer 1

KERAS_PARAMS是keras scikit wrapper的参数。它的文档是相当稀疏的。

基本上它似乎是您将通过的参数，例如，到987654324 @。

KERAS_PARAMS = dict(epochs=10, batch_size=100, verbose=0)

从读取文档，在我看来，LabelPowerset通过创建类置换来将多标签问题转换为多级问题。您可以考虑仅使用本机Keras解决方案来实现多标签问题而不是使用包装器。

以下教程似乎是合理的： https://medium.com/@vijayabhaskar96/multi-label-image-classification-tutorial-with-keras-imagedatagenerator-cd541f8eaf24

关键差异是您的输出层应该具有sigmoid激活而不是softmax和丢失应该是binary_crossentrophy而不是分类。