Question

文本数据被组织为具有20,000个元素的向量，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。

地面实况标签数据也表示为具有4,000个元素的向量，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肯定标签。文本的标签数量因文本而异。

我有一个单标签文本分类代码。

如何为多标签文本分类编辑以下代码？

特别是，我想知道以下几点。

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]且基本事实为[1,1,0,0,1]，则得分超过0.25的标签应判断为正数。

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

Answer 1

您必须在其他方面使用交叉熵函数的变体来支持多标记分类。如果你的输出少于一千，你应该使用sigmoid_cross_entropy_with_logits，如果你有4000输出，你可以考虑candidate sampling因为它比前一个快。

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，那么如果分类器可以正常但只有一个，那么您应该将整个图像视为错误。您还可以考虑错过或错过分类的对象是错误。后者我认为它得到了sigmoid_cross_entropy_with_logits的支持。

如何设置判断标签是正面还是正面的阈值负。例如，如果输出为[0.80,0.43,0.21,0.01， 0.32]，基本事实是[1,1,0,0,1]，得分超过0.25的标签应该被判定为正。

阈值是一种方法，你必须决定哪一个。但这是某种黑客，而不是真正的多重分类。为此你需要我之前说过的以前的功能。

Answer 2

将relu更改为输出图层的sigmoid。将交叉熵损失修改为S形交叉熵损失的显式数学公式（显式损失在我的情况下起作用/张量流的版本）

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

使用TensorFlow进行多标签文本分类

2 个答案: