Keras 如何在多标签学习中更新权重（实现方式）答案

【问题标题】：How does Keras update weights in multilabel learning (implementation-wise)Keras 如何在多标签学习中更新权重（实现方式）
【发布时间】：2018-08-10 17:18:35
【问题描述】：

假设我想使用神经网络和 Keras 解决多标签问题。

输出通常采用 y=[0, 1, 0, 1, 0, 0] 的形式，并且很容易使用二进制交叉熵和 sigmoid 来训练网络（例如，参见下面的代码）。

from keras.models import Sequential
from keras.layers import Dense

model = Sequential()
model.add(Dense(6, activation='relu')#Add 1 hidden layer
                                     #with 6 neurons, with relu activation
model.add(Dense(6, activation='sigmoid'))#Here we specify that we have 6 outputs
                                         #and we want outputs to be in [0,1]
model.compile(optimizer='Adam', loss='binary_crossentropy')
model.fit(xtrain, ytrain, batch_size=128)

当我在最后一行执行 fit 时，实现方面真正发生了什么？

网络是否更新多次次？在计算 6 个输出中的每一个的误差后一次，将其传播回来以升级权重？
它是否分别计算每个输出的误差，然后对网络进行一次整体更新？

编辑：Daniel Möller 回答后更新问题

model.fit(xtrain, ytrain, batch_size=1)

使用大小为 1 的 batch_size，我的问题可能更清楚。

在每次迭代中，我们从训练集中选择 1 个示例并进行前馈。然后，我们计算每个输出的误差。在这种情况下，问题如下：

对于未在输出之间共享的权重（从隐藏层到输出的权重），它们是根据模型产生的误差进行更新的，该误差计算为所有输出上的误差之和，还是仅按 1具体输出？

模型权重是根据误差总和更新一次，还是根据所有输出上的单个误差更新多次？

【问题讨论】：

标签： machine-learning neural-network keras classification multilabel-classification

【解决方案1】：

对于所有效果，它应该被视为一个巨大的矩阵运算。

每处理完一个批次，它就会更新网络。所以，1 和 2 都不是。

它：3 - 它一次计算整个批次的误差，作为矩阵运算，然后对所有权重矩阵进行一次整体更新。但这将是多次更新，因为您将拥有多个大小为 128 的批次。

Y 通常是这样的形式：

[
    [1,0,0,1,0,0],
    [1,0,0,1,0,0],
    [0,0,0,1,1,0],
    [1,0,1,1,0,0]
]

一批输出。

无论它在内部进行循环还是进行矩阵计算所需的任何事情，它对我们来说都是不可见和不可访问的。

【讨论】：

【解决方案2】：

我想在 Daniel 的回答中补充一点，binary_crossentropy 对应于 tensorflow 中的tf.nn.sigmoid_cross_entropy_with_logits 实际操作，它确实为所有标签计算了一个单个标量（有关详细信息，请参阅this question） .从来没有实际计算过单个损失，tensorflow 使用直接计算总和的公式。

这里是源代码：

def binary_crossentropy(target, output, from_logits=False):
  """Binary crossentropy between an output tensor and a target tensor.

  Arguments:
      target: A tensor with the same shape as `output`.
      output: A tensor.
      from_logits: Whether `output` is expected to be a logits tensor.
          By default, we consider that `output`
          encodes a probability distribution.

  Returns:
      A tensor.
  """
  # Note: nn.softmax_cross_entropy_with_logits
  # expects logits, Keras expects probabilities.
  if not from_logits:
    # transform back to logits
    epsilon_ = _to_tensor(epsilon(), output.dtype.base_dtype)
    output = clip_ops.clip_by_value(output, epsilon_, 1 - epsilon_)
    output = math_ops.log(output / (1 - output))
  return nn.sigmoid_cross_entropy_with_logits(labels=target, logits=output)

所以所有梯度更新都是基于这个减少的损失值。 TheanoT.nnet.binary_crossentropy函数和CNTK是一样的。

【讨论】：