多标签分类keras中的奇怪准确性

Posted 2023-03-12

【中文标题】多标签分类keras中的奇怪准确性

【英文标题】：Weird accuracy in multilabel classification keras

【发布时间】：2017-12-03 16:01:09

【问题描述】：

我有一个多标签分类问题，我使用了以下代码，但验证准确率在第一个 epoch 跃升至 99%，考虑到数据的复杂性，这很奇怪，因为输入特征是从初始模型 (pool3:0) 中提取的 2048 ) 层和标签是 [1000]，（这里是包含特征样本和标签的文件的链接：https://drive.google.com/file/d/0BxI_8PO3YBPPYkp6dHlGeExpS1k/view?usp=sharing）， 我在这里做错了吗？？

注意：标签是稀疏向量，仅包含 1 ~ 10 个条目，其余为 0

model.compile(optimizer='adadelta', loss='binary_crossentropy', metrics=['accuracy']) 

预测的输出为零！

我在训练模型以影响预测时做错了什么？

#input is the features file and labels file

def generate_arrays_from_file(path ,batch_size=100):
x=np.empty([batch_size,2048])
y=np.empty([batch_size,1000])
while True:
    f = open(path)
    i = 1  
    for line in f:
        # create Numpy arrays of input data
        # and labels, from each line in the file
        words=line.split(',')
        words=map(float, words[1:])
        x_= np.array(words[0:2048])
        y_=words[2048:]
        y_= np.array(map(int,y_))
        x_=x_.reshape((1, -1))
        #print np.squeeze(x_)
        y_=y_.reshape((1,-1))
        x[i]= x_
        y[i]=y_
        i += 1
        if i == batch_size:
            i=1
            yield (x, y)

    f.close()

model = Sequential()
model.add(Dense(units=2048, activation='sigmoid', input_dim=2048))
model.add(Dense(units=1000, activation="sigmoid", 
kernel_initializer="uniform"))
model.compile(optimizer='adadelta', loss='binary_crossentropy', metrics=
['accuracy'])

model.fit_generator(generate_arrays_from_file('train.txt'),
                validation_data= generate_arrays_from_file('test.txt'),
                validation_steps=1000,epochs=100,steps_per_epoch=1000, 
                  verbose=1)

【问题讨论】：

生成器是否正确创建了标签？听起来你给模型的真实值都是零。

您的数据集统计数据有哪些？如果您的训练数据集太小，您肯定处于过度拟合的情况。如果不是这种情况，您应该尝试应用一些 dropout 以避免过度拟合。

@AlessandroSuglia 我们的数据集是 200k 图像，所以它不小，关于 dropout 我尝试过，但我有同样的问题

@Daniel 我认为问题出在生成器上，但我确定输入标签并非全为零，我是这样从文件生成的

给定示例的类是否独立？也许二进制交叉熵不是最适合您的问题的解决方案。

【参考方案1】：

我认为准确性的问题在于您的输出稀疏。

Keras 使用以下公式计算准确度：

K.mean(K.equal(y_true, K.round(y_pred)), axis=-1)

因此，在您的情况下，只有 1~10 个非零标签，所有 0 的预测将产生 99.9% ~ 99% 的准确度。

至于不学习的问题，我认为问题在于您使用 sigmoid 作为最后一次激活并使用 0 或 1 作为输出值。这是不好的做法，因为为了让 sigmoid 返回 0 或 1，它作为输入获得的值必须非常大或非常小，这反映在具有非常大（绝对值）权重的网络上。此外，由于在每个训练输出中，1 远小于 0，因此网络很快就会到达一个稳定点，在该点它简单地输出全零（这种情况下的损失也不是很大，应该在 0.016~0.16 左右）。

您可以做的是缩放输出标签，使其介于 (0.2, 0.8) 之间，例如，这样网络的权重就不会变得太大或太小。或者，您可以使用relu 作为激活函数。

【讨论】：

谢谢你，但我仍然有同样的问题，我将输出从 0.2 缩放到 0.8，但我的模型无法正确预测，因为输出也位于 0,2

尝试使用relu。或者，您是否尝试过添加更多隐藏层？走得更深通常比走得更宽要好。看起来您正在尝试使用非常浅的网络对复杂问题进行建模。 1000 个标签很多，GoogLeNet 使用非常深的网络对使用相同数量标签的图像进行分类（尽管它们有 224x224 图像作为输入）。您可以做的是尝试使用较少的标签进行分类，然后增加数量（从 10 开始，然后是 100，依此类推）。如果它仍然没有训练，那么代码可能有问题

@gionni 如果深度网络也出现同样的问题该怎么办？

我不知道，这取决于数据和架构

【参考方案2】：

您是否尝试使用余弦相似度作为损失函数？

我有同样的多标签 + 高维问题。

余弦距离考虑了模型输出（预测）和期望输出（真实类）向量的方向。

它是两个向量之间的归一化点积。

在 keras 中 cosine_proximity 函数是 -1*cosine_distance。这意味着 -1 对应于具有相同大小和方向的两个向量。