Keras 中具有类权重的多标签分类

Question

我在网络中有 1000 个类，它们具有多标签输出。对于每个训练示例，正输出的数量相同（即 10），但它们可以分配给 1000 个类中的任何一个。所以 10 个类有输出 1，其余 990 个有输出 0。

对于多标签分类，我使用“二元交叉熵”作为成本函数，使用“sigmoid”作为激活函数。当我尝试将 0.5 这条规则作为 1 或 0 的截止值时。它们都是 0。我知道这是一个类别不平衡问题。从这个link，我了解到，我可能需要创建额外的输出标签。不幸的是，我无法弄清楚如何将其合并到 keras 中的简单神经网络中。

nclasses = 1000

# if we wanted to maximize an imbalance problem!
#class_weight = {k: len(Y_train)/(nclasses*(Y_train==k).sum()) for k in range(nclasses)}


inp = Input(shape=[X_train.shape[1]])
x = Dense(5000, activation='relu')(inp)

x = Dense(4000, activation='relu')(x)

x = Dense(3000, activation='relu')(x)
x = Dense(2000, activation='relu')(x)
x = Dense(nclasses, activation='sigmoid')(x)
model = Model(inputs=[inp], outputs=[x])

adam=keras.optimizers.adam(lr=0.00001)
model.compile('adam', 'binary_crossentropy')
history = model.fit(
    X_train, Y_train, batch_size=32, epochs=50,verbose=0,shuffle=False)

谁能帮我解决这里的代码，如果您能针对这个问题提出一个好的“准确度”指标，我也将不胜感激？

非常感谢:) :)

Answer 1

我有一个类似的问题，很遗憾大部分问题都没有答案。尤其是类不平衡问题。

就指标而言，有几种可能性：在我的例子中，我使用前 1/2/3/4/5 个结果并检查其中一个是否正确。因为在您的情况下，您始终拥有相同数量的标签 = 1，您可以获取前 10 个结果，看看其中有多少是正确的，然后在您的批量大小上平均该结果。我没有找到将这个算法作为 keras 度量的可能性。相反，我编写了一个回调，它在我的验证数据集上计算 epoch 结束时的指标。

此外，如果您在测试数据集上预测前 n 个结果，请查看每个类别的预测次数。 Counter Class 非常方便。

编辑：如果找到一种方法来包含类权重而不拆分输出。 您需要一个 numpy 二维数组，其中包含形状为 [要预测的数字类别，2（背景和信号）] 的权重。 这样的数组可以用这个函数来计算：

def calculating_class_weights(y_true):
    from sklearn.utils.class_weight import compute_class_weight
    number_dim = np.shape(y_true)[1]
    weights = np.empty([number_dim, 2])
    for i in range(number_dim):
        weights[i] = compute_class_weight('balanced', [0.,1.], y_true[:, i])
    return weights

现在的解决方案是构建您自己的二元交叉熵损失函数，您可以在其中自己乘以权重：

def get_weighted_loss(weights):
    def weighted_loss(y_true, y_pred):
        return K.mean((weights[:,0]**(1-y_true))*(weights[:,1]**(y_true))*K.binary_crossentropy(y_true, y_pred), axis=-1)
    return weighted_loss

weights[:,0] 是一个包含所有背景权重的数组，而 weights[:,1] 包含所有信号权重。

剩下的就是将这个损失包含在编译函数中：

model.compile(optimizer=Adam(), loss=get_weighted_loss(class_weights))