machine-learning - 用于多标签分类的神经网络，具有大量类输出仅为零

Question

我正在训练一个用于多标签分类的神经网络，具有大量类别(1000)。这意味着每个输入可以激活多个输出。平均而言，每个输出帧有两个事件类。在使用交叉熵损失进行训练时，神经网络仅输出零，因为该输出的损失最小，因为 99.8% 的标签都是零。关于如何插入网络给予积极类别更多的权重，有什么建议吗？

Answer 1

Tensorflow 有一个损失函数 weighted_cross_entropy_with_logits，可用于为 1 赋予更多权重。因此它应该适用于像您这样的稀疏多标签分类设置。

来自documentation :

This is like sigmoid_cross_entropy_with_logits() except that pos_weight, allows one to trade off recall and precision by up- or down-weighting the cost of a positive error relative to a negative error.

The argument pos_weight is used as a multiplier for the positive targets

如果您在 Keras 中使用tensorflow后端，则可以像这样使用损失函数(Keras 2.1.1):

import tensorflow as tf
import keras.backend.tensorflow_backend as tfb

POS_WEIGHT = 10  # multiplier for positive targets, needs to be tuned

def weighted_binary_crossentropy(target, output):
    """
    Weighted binary crossentropy between an output tensor 
    and a target tensor. POS_WEIGHT is used as a multiplier 
    for the positive targets.

    Combination of the following functions:
    * keras.losses.binary_crossentropy
    * keras.backend.tensorflow_backend.binary_crossentropy
    * tf.nn.weighted_cross_entropy_with_logits
    """
    # transform back to logits
    _epsilon = tfb._to_tensor(tfb.epsilon(), output.dtype.base_dtype)
    output = tf.clip_by_value(output, _epsilon, 1 - _epsilon)
    output = tf.log(output / (1 - output))
    # compute weighted loss
    loss = tf.nn.weighted_cross_entropy_with_logits(targets=target,
                                                    logits=output,
                                                    pos_weight=POS_WEIGHT)
    return tf.reduce_mean(loss, axis=-1)

然后在你的模型中:

model.compile(loss=weighted_binary_crossentropy, ...)

我还没有找到很多资源来报告与类(class)数量、平均活跃类(class)等相关的 pos_weight 的良好工作值。