多个softmax分类（Keras）答案

【问题标题】：multiple softmax classifications (Keras)多个softmax分类（Keras）
【发布时间】：2019-07-20 11:00:47
【问题描述】：

我正在尝试构建一个将输出 2 个标签的 CNN，其中每个标签有 12 种可能性；输入是一张图片。

换句话说，我想要的输出是 A（12 个选项中的一个）和 B（12 个不同选项中的一个）。

单独使用每个标签，首选当然是 softmax，但我找不到是否可以像那样做“多个 softmax”标签。

很明显，我可以输出 24 个神经元，使用 sigmoid 输出然后手动归一化，但是网络本质上不会耦合每组中的 12 个选项。

我正在编写我想要的伪伪代码，如果它存在的话：

model = Sequential()
model.add(Convolution2D(64, kernel_size=3,activation='relu', input_shape=image_shape))
model.add(Flatten())
model.add(Dense(256,activation='relu'))
# pseudo-pseudo-code
model.add(Dense((12,12),activation=('softmax','softmax'))) # <- here is where I would have liked 2 softmax outputs with 12 neurons in each

欢迎任何解决方案（我正在使用 Keras，但我很乐意使用任何其他包的解决方案，甚至自己编写代码）。

编辑：我还可以生成代表所有组合的 144 个输出，但我不确定这是否是一个好的解决方案 - 也非常欢迎对此发表任何评论

【问题讨论】：

标签： python keras neural-network conv-neural-network

【解决方案1】：

我会使用带有 2 个输出的功能 API。指导在https://keras.io/getting-started/functional-api-guide/#multi-input-and-multi-output-models

以下内容：

input = Input(input_shape=image_shape)
cnv = Convolution2d(...)(input)
hidden = Dense(256, ...)(Flatten()(cnv))
output1 = Dense(12, activation='softmax')(hidden)
output2 = Dense(12, activation='softmax')(hidden)
model = keras.models.Model(inputs=input, outputs=[output1, output2])
model.compile(optimizer='sgd', loss=['binary_crossentropy', 'binary_crossentropy'],
              loss_weights=[1., 1.])

【讨论】：

谢谢！这看起来确实像我正在寻找的东西 - 我会阅读指南并尝试实施它。
以防万一有人来读这个，loss 应该是 categorical_crossentropy 而不是二进制
output2的输出是基于output1的输出吗？例如，你在 output1 得到标签“C”，那么第二个输出来自“C”的 12 个标签？如果每个输出 1 个标签有 12 个子标签。
@TheJokerAEZ 在上面的例子中 output2 不直接依赖于 output1；但没有什么能阻止您构建一个不同的示例，其中 output2 将 output1 作为（其中一个）输入。