Question

对于深度学习领域，我尤其是新手，尤其是Keras。在这里，我有一个简单的分类问题，我不知道如何解决。我不了解分类的一般过程，例如将输入数据转换为张量，标签等。

假设我们有1, 2, 3这三个类。

有一系列类别需要分类为这些类别之一。数据集例如

序列1, 1, 1, 2被标记为2
序列2, 1, 3, 3被标记为1
序列3, 1, 2, 1被标记为3

以此类推。

这意味着输入数据集将是

[[1, 1, 1, 2],
 [2, 1, 3, 3],
 [3, 1, 2, 1]]

，标签将为

[[2],
 [1],
 [3]]

现在，我确实了解的一件事是对类进行一次热编码。因为我们有三个类，所以每个1都将转换为[1, 0, 0]，2将是[0, 1, 0]，而3将是[0, 0, 1]。转换上面的示例将得到3 x 4 x 3的数据集，以及3 x 1 x 3的标签。

我了解的另一件事是，最后一层应该是softmax层。这样，如果出现测试数据（例如[1, 2, 3, 4]），它将被软最大化并计算出属于1类，2类或3类的序列的概率。

我是对的吗？如果是这样，您能给我解释/举例说明这些序列的分类过程吗？

谢谢。

Answer 1

以下是您似乎要问的一些澄清。

这一点令人困惑，所以我删除了它。
如果您输入的数据具有形状（4），那么您的输入张量将具有形状（batch_size，4）。
Softmax是您的预测（最后）层的正确激活给定您想要的输出，因为您有分类问题有多个类别。这将产生形状为（batch_size， 3）。这些将是每种潜在分类的概率，所有类的总和为一。例如，如果分类为类0，则单个预测可能类似于[0.9714,0.01127,0.01733]。
批处理大小未硬编码到网络，因此在model.summary（）中将其表示为None。例如。网络的最后一层输出形状可以写成(None, 3)。
除非有合适的替代方法，否则softmax预测层需要categorical_crossentropy损失函数。
网络架构仍由您决定，但您至少需要一种进出的方式。在Keras（已标记）中，有几种方法可以做到这一点。以下是一些示例：

Keras顺序示例

model = Sequential()
model.add(InputLayer(input_shape=(4,))) # sequence of length four
model.add(Dense(3, activation='softmax')) # three possible classes

具有Keras功能的示例

input_tensor = Input(shape=(4,))
x = Dense(3, activation='softmax')(input_tensor)
model = Model(input_tensor, x)

在第一功能层（顺序或功能）中包括输入张量形状的示例：

model = Sequential()
model.add(Dense(666, activation='relu', input_shape=(4,)))
model.add(Dense(3, activation='softmax'))

希望有帮助！

一个序列的多标签分类，怎么办？

1 个答案: