对于我的每个输入，我有一个49x2矩阵关联。这是1输入输出对的样子
0Label1和Label2都是LabelEncode，它们分别有1200和1300个不同的类。
只是为了确保这就是我们所说的多输出多类问题？
我试图压缩输出，但我担心模型不会理解所有类似的Label共享相同的类。
是否有Keras图层处理输出这种特殊的阵列形状？
答案 0 :(得分：2)
通常，多类问题对应于在类集上输出概率分布的模型（通常通过交叉熵对实际类的单热编码进行评分）。现在，无论您是将其构造为单个输出，两个输出，49个输出还是49 x 2 = 98个输出，这意味着具有1,200 x 49 + 1,300 x 49 = 122,500输出单位 - 这不是计算机无法做到的处理，但也许不是最方便的事情。您可以尝试将每个类输出设置为单个（例如线性）单位并将其四舍五入以选择标签，但是，除非标签具有某些数字含义（例如，订单，尺寸等），即不太可能工作。
如果输入中元素的顺序具有某种意义（即，改组它会影响输出），我想我会通过RNN来解决问题，如LSTM或双向LSTM模型，有两个输出。对输出使用return_sequences=True和TimeDistributed Dense softmax图层，对于每118个长输入，您有118对输出;那么你可以只使用时间样本加权来减少，例如，前69个（或者可能做一些事情，比如你先使用双向模型将第一个减少35个，最后减少34个）并用剩下的49个来计算损失。成对的labellings。或者，如果这对你的数据有意义（也许它没有），你可以使用更先进的东西，如CTC （尽管Keras没有它，我试图将TensorFlow implementation整合到其中并且没有多少成功，这是also implemented in Keras（感谢@indraforyou）！。
如果输入中的顺序没有意义但输出的顺序没有意义，那么你可以有一个RNN，你的输入是原始的118长矢量加一对标签（每个一个热编码），以及输出又是一对标签（同样是两个softmax层）。这个想法是你得到一个＆＃34; row＆＃34;每帧的49x2输出，然后将其与初始输入一起送回网络以获得下一个;在训练时间，您将输入重复49次以及之前的＆＃34; label（第一个的空标签）。
如果没有顺序关系可以利用（即输入和输出的顺序没有特殊含义），那么问题只会由最初的122,500输出单位（加上所有隐藏单位）真实地表示可能需要那些正确的）。您还可以在常规网络和RNN之间尝试某种中间接地，其中您有两个softmax输出，并且与118长矢量一起，您包括＆＃34; id＆＃34;您想要的输出（例如，作为49长的单热编码矢量）;如果＆＃34;含义＆＃34;每个标签在49个输出中的每一个都相似或相当，它可能有用。