使用 keras 的多分类任务 [关闭]答案

【问题标题】：Multiclassification task using keras [closed]使用 keras 的多分类任务 [关闭]
【发布时间】：2020-10-31 01:09:33
【问题描述】：

对一张图像中的多个对象进行分类（不是检测！）是个问题。我怎样才能使用 keras 做到这一点。

例如，如果我在这张图片中有 6 个类（狗、猫、鸟……）和两个不同的对象（猫和鸟）。标签的格式为：[0,1,1,0,0,0] 推荐使用哪种指标、损失函数和优化器？我想使用 CNN。

【问题讨论】：

标签： python machine-learning keras conv-neural-network multiclass-classification

【解决方案1】：

关键字是“多标签分类”。在输出层中，您有多个神经元，每个神经元代表您的一个类。

现在您应该对每个神经元单独使用二元分类。因此，如果您有 3 个类别，则网络的输出可能是 [0.1, 0.8, 0.99]，这意味着：第一个类别为真，概率为 10%，第二个类别为真，概率为 80%，最后一个类别为真类为 99%。因此，网络决定对于单个输入图像，两个类同时为真！

在 Keras/Tensorflow 中实现这一点非常容易。您可以使用一些 binary_crossentropy 作为您的 损失函数 和 Sigmoid 函数作为最后一层中的激活。因此，您可以获得每个输出神经元的区间 (0, 1) 中的值。作为指标，您可以使用准确度，它告诉您有多少图像被正确分类（作为相对频率）。

请看下面的例子：

from tensorflow.keras.layers import *
from tensorflow.keras.activations import *
from tensorflow.keras.models import *
from tensorflow.keras.optimizers import *
import numpy as np

# put your data right here:
num_classes = 3 # here I'm assuming 3 classes, e.g. dog, cat and bird
x_train = np.zeros((100, 128, 128, 3)) # I'm just using zeros to simplify the example
y_train = np.zeros((100, num_classes))

model = Sequential()
# put your conv layer / conv blocks here:
model.add(Conv2D(32, kernel_size=3, activation='relu', input_shape=(128, 128, 3)))
model.add(Flatten())
model.add(Dense(units=num_classes, activation='sigmoid'))
    
model.compile(
        loss="binary_crossentropy",
        optimizer=Adam(0.005),
        metrics=["accuracy"])
training_history = model.fit(x=x_train, y=y_train, epochs=5)

我使用的是 TensorFlow 2.2.0。我希望这会对你有所帮助:)

【讨论】：

感谢您的回答。我已经尝试过这些设置，但也有一些不太正确的地方，因为准确度从 90% 左右开始。我认为它以错误的方式测量准确性。有什么建议吗？
编辑：我将准确性更改为 categorical_accuracy。现在准确率保持在 2% 左右
准确率的值取决于您的问题。精度越高，您的网络就越好。准确度应该是正确的选择，因为 categorical_accuracy 适用于只有一个类为真的多类问题。在我们的例子中，我们有一个多二进制类问题。我刚刚使用此设置处理了我的项目，它的效果非常准确。