使用 TensorFlow 的多标签文本分类

Posted 2023-03-12

【中文标题】使用 TensorFlow 的多标签文本分类

【英文标题】：Multilabel Text Classification using TensorFlow

【发布时间】：2016-05-25 19:32:19

【问题描述】：

文本数据组织为具有 20,000 个元素的向量，例如 [2, 1, 0, 0, 5, ...., 0]。 第 i 个元素表示文本中第 i 个单词的频率。

ground truth 标签数据也表示为具有 4,000 个元素的向量，例如 [0, 0, 1, 0, 1, ...., 0]。 第 i 个元素指示第 i 个标签是否是文本的正标签。 文本的标签数量因文本而异。

我有一个用于单标签文本分类的代码。

如何为多标签文本分类编辑以下代码？

特别想知道以下几点。

如何使用 TensorFlow 计算准确度。 如何设置判断标签是正面还是负面的阈值。例如，如果输出为 [0.80, 0.43, 0.21, 0.01, 0.32]，ground truth 为 [1, 1, 0, 0, 1]，则得分超过 0.25 的标签应被判断为正。

谢谢。

import tensorflow as tf

# hidden Layer
class HiddenLayer(object):
    def __init__(self, input, n_in, n_out):
        self.input = input

        w_h = tf.Variable(tf.random_normal([n_in, n_out],mean = 0.0,stddev = 0.05))
        b_h = tf.Variable(tf.zeros([n_out]))

        self.w = w_h
        self.b = b_h
        self.params = [self.w, self.b]

    def output(self):
        linarg = tf.matmul(self.input, self.w) + self.b
        self.output = tf.nn.relu(linarg)

        return self.output

# output Layer
class OutputLayer(object):
    def __init__(self, input, n_in, n_out):
        self.input = input

        w_o = tf.Variable(tf.random_normal([n_in, n_out], mean = 0.0, stddev = 0.05))
        b_o = tf.Variable(tf.zeros([n_out]))

        self.w = w_o
        self.b = b_o
        self.params = [self.w, self.b]

    def output(self):
        linarg = tf.matmul(self.input, self.w) + self.b
        self.output = tf.nn.relu(linarg)

        return self.output

# model
def model():
    h_layer = HiddenLayer(input = x, n_in = 20000, n_out = 1000)
    o_layer = OutputLayer(input = h_layer.output(), n_in = 1000, n_out = 4000)

    # loss function
    out = o_layer.output()
    cross_entropy = -tf.reduce_sum(y_*tf.log(out + 1e-9), name='xentropy')    

    # regularization
    l2 = (tf.nn.l2_loss(h_layer.w) + tf.nn.l2_loss(o_layer.w))
    lambda_2 = 0.01

    # compute loss
    loss = cross_entropy + lambda_2 * l2

    # compute accuracy for single label classification task
    correct_pred = tf.equal(tf.argmax(out, 1), tf.argmax(y, 1))
    accuracy = tf.reduce_mean(tf.cast(correct_pred, "float"))

    return loss, accuracy

【问题讨论】：

我认为除了交叉熵之外可能还有更好的损失函数。

对于多标签分类问题，有许多不同的准确度度量：单错误准确度、排名损失、平均平均准确度等。我自己还在学习 TensorFlow，还没有设法正确实现他们中的任何一个。但也许这篇论文会对你有所帮助：arxiv.org/pdf/1312.5419v3.pdf 如果你有任何进展，请告诉我！

为了更好地了解准确率，请考虑计算准确率和召回率。

@Benben y_ 是什么@我没有看到它定义

【参考方案1】：

将relu更改为输出层的sigmoid。 将交叉熵损失修改为 sigmoid 交叉熵损失的显式数学公式（显式损失在我的案例/张量流版本中起作用）

import tensorflow as tf

# hidden Layer
class HiddenLayer(object):
    def __init__(self, input, n_in, n_out):
        self.input = input

        w_h = tf.Variable(tf.random_normal([n_in, n_out],mean = 0.0,stddev = 0.05))
        b_h = tf.Variable(tf.zeros([n_out]))

        self.w = w_h
        self.b = b_h
        self.params = [self.w, self.b]

    def output(self):
        linarg = tf.matmul(self.input, self.w) + self.b
        self.output = tf.nn.relu(linarg)

        return self.output

# output Layer
class OutputLayer(object):
    def __init__(self, input, n_in, n_out):
        self.input = input

        w_o = tf.Variable(tf.random_normal([n_in, n_out], mean = 0.0, stddev = 0.05))
        b_o = tf.Variable(tf.zeros([n_out]))

        self.w = w_o
        self.b = b_o
        self.params = [self.w, self.b]

    def output(self):
        linarg = tf.matmul(self.input, self.w) + self.b
        #changed relu to sigmoid
        self.output = tf.nn.sigmoid(linarg)

        return self.output

# model
def model():
    h_layer = HiddenLayer(input = x, n_in = 20000, n_out = 1000)
    o_layer = OutputLayer(input = h_layer.output(), n_in = 1000, n_out = 4000)

    # loss function
    out = o_layer.output()
    # modified cross entropy to explicit mathematical formula of sigmoid cross entropy loss
    cross_entropy = -tf.reduce_sum( (  (y_*tf.log(out + 1e-9)) + ((1-y_) * tf.log(1 - out + 1e-9)) )  , name='xentropy' )    

    # regularization
    l2 = (tf.nn.l2_loss(h_layer.w) + tf.nn.l2_loss(o_layer.w))
    lambda_2 = 0.01

    # compute loss
    loss = cross_entropy + lambda_2 * l2

    # compute accuracy for single label classification task
    correct_pred = tf.equal(tf.argmax(out, 1), tf.argmax(y, 1))
    accuracy = tf.reduce_mean(tf.cast(correct_pred, "float"))

    return loss, accuracy

【参考方案2】：

您必须使用其他交叉熵函数的变体来支持多标签分类。如果您的输出少于一千个，您应该使用sigmoid_cross_entropy_with_logits，如果您有 4000 个输出，您可以考虑使用candidate sampling，因为它比以前更快。

如何使用 TensorFlow 计算准确度。

这取决于您的问题以及您想要实现的目标。如果您不想错过图像中的任何对象，那么如果分类器除了一个对象之外没有问题，那么您应该将整个图像视为错误。您还可以认为错过或未分类的对象是错误。后者我认为它由 sigmoid_cross_entropy_with_logits 支持。

如何设置判断一个标签是正面还是正面的阈值 消极的。例如，如果输出为 [0.80, 0.43, 0.21, 0.01, 0.32]，ground truth 为 [1, 1, 0, 0, 1]，得分超过 0.25 的标签应判断为正。

门槛是一种方法，你必须决定哪一种。但这是某种 hack，而不是真正的多标签分类。为此，您需要我之前所说的先前功能。

【讨论】：

我不知道为什么人们建议使用 'sigmoid_cross_entropy_with_logits'。如果它是它的名字所暗示的，即 -Y*ln(sigmoid(logits)) 。然后它会通过给每个班级高概率来最小化损失，事实上在我的情况下它就是这样。

此函数不返回概率。而且我看不出它会如何通过提供高价值来最大限度地减少损失。如果将类设置为 1，当类不存在时设置为 0，则当对象不在图像中时网络给出接近 0 的值，如果对象在图像中，则值接近 1 或更大（甚至 2 o 3）图片。我正在使用它并且效果很好。

它将通过为每个类赋予高值来最小化损失，因为对标记为 0 的类赋予高值没有惩罚（或 0 损失）。因此需要修改交叉熵损失具有二进制交叉熵 (y * ln(sigmoid(logits)) + 1-y * ln(sigmoid(1-logits))) 。 sigmoid_cross_entropy_with_logits 内部没有实现二进制交叉熵。我很惊讶为什么它在你的情况下工作，你在使用 theano 等

我认为你的数学有问题。它是： y * ln(sigmoid(logits)) + (1-y) * ln(1-sigmoid(logits)) 所以： logits=0, y=0 => 0 ;对数=1，y=1 => 0；对数=1，y=0 => 1.3；对数=0，y=1 => 1.3；您可以在 google 中使用数字绘制函数。只需搜索 y*-ln (1 / ( 1 + e^-x)) +(1-y)*-ln (1-1 / ( 1 + e^-x))

我的错，忽略我上面的数学。这是我正在使用的，对我有用的 -tf.reduce_mean(tf.mul(y,tf.log(tf.nn.sigmoid(logits) + 1e-9)) + tf.mul(1-y,tf .log(1 - tf.nn.sigmoid(logits) + 1e-9))) 。这有效，而您的建议无效，如果我的论点有误，请告诉我