如何使用keras进行多标签多类分类
Posted
技术标签:
【中文标题】如何使用keras进行多标签多类分类【英文标题】:How to use keras for mutli label multiclass classification 【发布时间】:2020-06-26 12:09:26 【问题描述】:我有一个包含 6 个可能的类型标签的数据集:
Class 1: Near-large
Class 2: Far- Large
Class 3: Near - Medium
Class 4: Far - Medium
Class 5: Near - small
Class 6: far - small
我想修改问题以分离标签,以便每个样本独立分类为远/近和小/中/小,给定每个分类的不同特征作为输入。
我的第一个想法是为每个子标签训练 2 个不同的模型,然后创建一个自定义函数来加入预测,但我想知道在 Keras 框架内是否有更快的方法。
我知道我可以使用函数式 API 创建两个具有独立输入和两个独立输出的模型。这将为我提供 2 个不同子标签的 2 个预测。如果我对子标签进行热编码,那么这些模型的输出将是这样的:
Model1.output = [ 0,1 ] or [1,0] ( far/near)
Model2.output = [ 1, 0, 0 ] or [0,1,0] or [0,0,1](small/medium/large)
但是我怎样才能合并这两个输出来为完整的标签创建一个 6 暗向量呢?
Model_merged.output = [1, 0, 0, 0, 0 ,0 ] , [010000], ...., [000001] (class1,... ,Class6)
【问题讨论】:
【参考方案1】:您可以reshape
model1 输出来扩展轴,将其与 model2 输出相乘并将它们都展平。
from keras.models import Model
reshaped = keras.layers.Reshape((2,-1))(model1.output)
combined = keras.layers.Multiply()([reshaped,model2.output])
flattened = keras.layers.Reshape((6,))(combined)
Combined_model = Model([model1.input,model2.input], flattened)
上面的一个简单的 numpy 示例是:
model1_output = np.array([0,1])[:,None] #Reshaped
#array([[0],
# [1]])
model2_output = np.array([1,0,0])
# array([1, 0, 0])
combined = model1_output*model2_output
#array([[0, 0, 0],
# [1, 0, 0]])
combined.ravel()
#array([0, 0, 0, 1, 0, 0])
【讨论】:
以上是关于如何使用keras进行多标签多类分类的主要内容,如果未能解决你的问题,请参考以下文章
如何找出概率输出中每列的哪个类对应于使用Keras进行多类分类?