Question

我有一组100x100的图像，以及一个与输入大小（即长度为10000）相对应的输出数组，其中每个元素可以为1或0。

我正在尝试使用TensorFlow / Keras编写一个python程序，以对此数据进行CNN训练，但是，我不确定如何设置层来处理它或要使用的网络类型。

当前，我正在执行以下操作（基于TensorFlow教程）：

model = keras.Sequential([
    keras.layers.Flatten(input_shape=(100, 100)),
    keras.layers.Dense(128, activation=tf.nn.relu),
    keras.layers.Dense(10000, activation=tf.nn.softmax)
])
model.compile(optimizer=tf.train.AdamOptimizer(), 
          loss='sparse_categorical_crossentropy',
          metrics=['accuracy'])

但是，我似乎找不到要用于输出层的激活类型，以使我具有多个输出值？我该如何设置？

Answer 1

我不确定如何设置图层来处理它。

您的代码是处理此问题的一种方法，但正如您在文献中可能会读到的那样，它并不是最好的方法。最先进的模型通常使用2D Convolution Neural Networks。例如：

    img_input = keras.layers.Input(shape=img_shape)
    conv1 = keras.layers.Conv2D(16, 3, activation='relu', padding='same')(img_input)
    pol1 = keras.layers.MaxPooling2D(2)(conv1)
    conv2 = keras.layers.Conv2D(32, 3, activation='relu', padding='same')(pol1)
    pol2 = keras.layers.MaxPooling2D(2)(conv2)
    conv3 = keras.layers.Conv2D(64, 3, activation='relu', padding='same')(pol2)
    pol3 = keras.layers.MaxPooling2D(2)(conv3)
    flatten = keras.layers.Flatten()(pol3)
    dens1 = keras.layers.Dense(512, activation='relu')(flatten)
    dens2 = keras.layers.Dense(512, activation='relu')(dens1)
    drop1 = keras.layers.Dropout(0.2)(dens2)
    output = keras.layers.Dense(10000, activation='softmax')(drop1)

我似乎找不到应该用于哪种激活方式输出层使我具有多个输出值

Softmax是一个不错的选择。它将任意实值的K维向量压榨为实值的K维向量，其中每个项的范围都在（0，1]范围内。

您可以将Softmax到top_k函数的输出，以提取前 k 个预测：

softmax_out = tf.nn.softmax(logit) tf.nn.top_k(softmax_out, k=5, sorted=True)

如果您需要multi-label classification，则应更改上述网络。上次激活功能将变为S型：

output = keras.layers.Dense(10000, activation='sigmoid')(drop1)

然后使用tf.round和tf.where提取标签：

indices = tf.where(tf.round(output) > 0.5) final_output = tf.gather(x, indices)

建立具有多标签分类的CNN网络

1 个答案: