我正在尝试使用Keras训练多任务多标签分类器 . 输出层是两个输出的分支 . 每个输出层的任务是预测其任务的类别 . y向量是OneHot编码的 .
我正在为我的数据使用自定义生成器，将列表中的 y 数组生成 fit_generator 函数
我在每一层使用 categorigal_crossentropy 损失函数
fork1.compile(loss={'O1': 'categorical_crossentropy', 'O2': 'categorical_crossentropy'},
optimizer=optimizers.Adam(lr=0.001),
metrics=['accuracy'])
问题：此设置不会减少损失 . 但是，如果我单独训练每项任务，我会有低损失和高准确度 . 那可能是什么问题呢？
1 回答
要执行 multilabel categorical classification （其中每个示例可以有多个类），请使用Dense图层结束图层堆栈，其中单位数等于类的数量和sigmoid激活，并使用binary_crossentropy作为丢失 . 你的目标应该是k-hot编码的 .
关于多输出模型，培训这样的模型需要能够 specify different loss functions for different heads of the network requiring a different training procedure.
您应该提供更多信息，以便清楚地表明您想要实现的目标 .