如何使用tensorflow执行多标签分类？ [关闭]

3 回答

• 3

  您还可以尝试使用Label Powerset方法将问题从多标签转换为多类别 . Label Powerset转换将训练集中证明的每个标签组合视为一个不同的类，并构造一个多类分类器的实例 - 并在预测后将指定的类转换回多标签的情况 . 它在scikit-multilearn和scikit-compatibility包装器中通过tensorflow Estimator或通过input_fn或使用skflow提供 . 然后将其插入LabelPowerset的实例中 .

  代码可以如下：

  from skmultilearn.problem_transform import LabelPowerset
  import tensorflow.contrib.learn as skflow
  
  # assume data is loaded using
  # and is available in X_train/X_test, y_train/y_test
  
  # initialize LabelPowerset multi-label classifier
  # with tensor flow DNN base classifier
  classifier = LabelPowerset(skflow.TensorFlowDNNClassifier(OPTIONS))
  
  # train
  classifier.fit(X_train, y_train)
  
  # predict
  predictions = classifier.predict(X_test)
  

  回复于 2024-05-02T00:05:17+08:00
• 2

  最天真（和合理）的方法是训练分类网络，并移除softmax层并用sigmoids向量替换它 . 这样，您可以将多个单元激活为1 .

  您可以查看分类网络的on TF-slim示例 . 在路径 datasets 下，您将找到有关如何为图像和类准备 TFExample "file pattern"的示例

  回复于 2024-05-02T00:05:17+08:00
• 0

  大多数解决方案都是指sigmoid损失，而sigmoid在我的情况下通过张量流中的 tf.nn.sigmoid_cross_entropy_with_logits(labels,logits) 很好地解决了多标签分类问题 .

  然而，当我处理类不 balancer 问题时，负面情况远远超过正面情况，我发现我编辑的softsign损失比sigmoid好得多 . 调整系数 gamma 被添加到标签以将负类的梯度降低3/4 .

  def unbalance_softsign_loss(labels, logits):
      gamma = 1.25 *labels - 0.25 
      res = 1 - tf.log1p( gamma*logits/(1+ tf.abs(logits)) )
  
      return res
  

  标签是多热编码向量，如[0,1,0,1,0]，logits~（-inf，inf）

  回复于 2024-05-02T00:05:17+08:00