Tensorflow中的多标签分类器

Question

我想用TensorFlow开发一个多标签分类器，我试图意味着存在多个包含多个类的标签。为了说明你可以想象如下情况：

• label-1类：灯光下雨，下雨，局部下雨，没下雨
• label-2类：晴天，晴间多云，多云，多云。

我想用神经网络对这两个标签进行分类。现在，我为每个（label-1，label-2）对类使用了不同的类标签。这意味着我有4 x 4 = 16个不同的标签。

用

训练我的模型

当前亏损

cross_entropy = tf.reduce_mean(-tf.reduce_sum(ys * tf.log(prediction), reduction_indices=[1])) 

# prediction is sofmaxed
loss = cross_entropy + regul * schema['regul_ratio'] # regul things is for regularization 
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

但是我认为多标签培训在这种情况下会更好用。

• 我的功能将是[n_samples，n_features]
• 我的标签是[n_samples，n_classes，2]

[x1，x2，x3，x4 ...]＃features的n_samples

[[0,0,0,1]，[0,0,1,0]]的n_samples＃没有下雨和阴天

如何制作具有张量流的softmax概率分布预测器。有没有像这样的多标签问题的工作示例。我的损失将如何变得如此？

Answer 1

为什么不让您的网络产生两种不同的输出？

网络 - ＆gt;预测1和预测2

其中prediction1和prediction2都是[＃，＃，＃，＃]，但我在下面描述的内容即使它们的大小不同也能正常工作。

然后运行

loss1 = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(prediction1, labels_1))
loss2 = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(prediction2, labels_2))

loss = loss1 + loss2