Question

我正在使用keras构建多输出分类模型。我的数据集例如

[x1，x2，x3，x4，y1，y2，y3]

x1，x2，x3是特征，y1，y2，y3是标签，y1，y2，y3是多类。

我已经建立了一个模型（我已经隐藏了一些隐藏层）：

def baseline_model(input_dim=23,output_dim=3):
    model_in = Input(shape=(input_dim,))
    model = Dense(input_dim*5,kernel_initializer='uniform',input_dim=input_dim)(model_in)
    model = Activation(activation='relu')(model)
    model = Dropout(0.5)(model)

    ...................

    model = Dense(output_dim,kernel_initializer='uniform')(model)
    model = Activation(activation='sigmoid')(model)

    model = Model(model_in,model)
    model.compile(optimizer='adam',loss='binary_crossentropy', metrics=['accuracy'])
    return model

然后我尝试使用keras方法来支持分类：

estimator = KerasClassifier(build_fn=baseline_model)
estimator.fit()
estimator.predict(df[0:10])

但是我发现结果不是多重输出，只能输出一个维度。

[0,0,0,0,0,0,0,0,0,0]

那么对于多输出分类问题，我们不能使用KerasClassifier函数来学习它吗？

Answer 1

您不需要将模型包装在KerasClassifier中。该包装器使您可以将Keras模型与Scikit-Learn结合使用。模型的类型（分类器，回归，多类分类器等）最终取决于模型最后一层的形状和激活状态。

您可以简单地使用Keras的model.fit（）函数。确保将数据传递到函数中。您可以在此处查看关于fit函数的更多信息：https://keras.io/models/model/#fit

您的损失也被设置为binary_crossentropy。对于多类问题，您将需要使用categorical_crossentropy。

model.compile(optimizer='adam',loss='categorical_crossentropy', metrics=['accuracy'])

据我所知，此模型并不是Keras所说的多输出。对于多输出，您尝试从多个不同的层获取输出，并可能对其应用不同的损失函数。

根据您问题中的设置，您将可以使用Keras顺序模型而不是功能模型。如果可以的话，Keras建议使用顺序模型，因为它更简单。 https://keras.io/getting-started/sequential-model-guide/

Keras的多输出分类

1 个答案: