一个序列的多标签分类，怎么做？

Question

我是深度学习领域的新手，尤其是 Keras。这里有一个简单的分类问题，不知道怎么解决。我不明白的是分类的一般过程如何，比如将输入数据转换为张量、标签等​​。

假设我们有三个类，1, 2, 3。

有一系列类需要归类为这些类中的一个。数据集例如

• 序列1, 1, 1, 2 标记为2
• 序列2, 1, 3, 3 标记为1
• 序列3, 1, 2, 1 标记为3

等等。

这意味着输入数据集将是

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

标签将是

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

现在我明白的一件事是对类进行一次热编码。因为我们有三个类，每个1 都将转换为[1, 0, 0]，2 将转换为[0, 1, 0]，3 将转换为[0, 0, 1]。转换上面的例子会得到一个 3 x 4 x 3 的数据集和一个 3 x 1 x 3 的标签。

我理解的另一件事是最后一层应该是 softmax 层。这样，如果像（例如[1, 2, 3, 4]）这样的测试数据出来，它将被softmaxed并计算该序列属于1类或2类或3类的概率。

我说的对吗？如果是这样，你能给我一个解释/例子来说明这些序列的分类过程吗？

提前谢谢你。

Answer 1

以下是您似乎在询问的一些说明。

• 这一点令人困惑，因此我将其删除。
• 如果您的输入数据具有形状 (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。这将产生形状的输出 (batch_size, 3）。这些将是每个潜在分类的概率，所有类别的总和为一个。例如，如果分类为 0 类，则单个预测可能类似于 [0.9714,0.01127,0.01733]。
• 批量大小没有硬编码到网络，因此它在 model.summary() 中表示为None。例如。网络的最后一层输出形状可以写成(None, 3)。
• 除非您有适用的替代方案，否则 softmax 预测层需要 categorical_crossentropy 损失函数。
• 网络的架构仍然由您决定，但您至少需要一个进出通道。在 Keras 中（正如您所标记的），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

Keras 函数示例

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

在第一个功能层（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！