关键点
- 网络部分
- 在神经网络的最末端将softmax激活函数改为sigmoid激活函数。
- 将损失函数由分类交叉熵替换为二元交叉熵。方法是计算一个样本各个标签的损失（输出层采用sigmoid函数），然后取平均值。把一个多标签问题，转化为了在每个标签上的二分类问题。
- 正像是一个神经网络没法预测出一个它未曾训练过的类，你的神经网络没法预测出它未曾见过的多类标签组合。这个特性是由于神经网络内部神经元的激活函数。
如果你的神经网络同时经过：（1）黑色裤子（2）红色衬衫的训练，现在你希望预测“红色裤子”（你的数据集中没有“红色裤子”的图片），用于检测“红色”和“裤子”的神经元将会发生变化，但由于神经网络在之前从没见过这些数据/激活的组合，一旦他们到达了全连接层，你的输出预测就很有可能出错了（例如你可能会见到“红色”或者是“裤子”，但不太可能会同时见到这两个）。
再次重申，你的神经网络不能预测出它之前未曾训练过的数据（而且你也不该期望它能够预测出）。当你在训练你自己的多标签分类Keras神经网络时，请牢记这一点。
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请联系我们举报，一经查实，本站将立刻删除。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/217530.html原文链接：https://javaforall.net
