python - 如何改成sigmoid来学习多标签分类

Question

我正在尝试使用'inception resnet v2.py'进行多标签分类。

我用了sigmoid，但结果不好。

您确切知道要更改哪里吗？

https://github.com/tensorflow/models/tree/master/research/slim

“train_image_classifier.py”已更改为 sigmoid，但结果与使用 softmax 一样好。

我是否必须从“net”文件夹中的“inception resnet v2.py”更改它？

  if 'AuxLogits' in end_points:
    slim.losses.sigmoid_cross_entropy(
        end_points['AuxLogits'], labels,
        label_smoothing=FLAGS.label_smoothing, weights=0.4,
        scope='aux_loss')
  slim.losses.sigmoid_cross_entropy(
      logits, labels, label_smoothing=FLAGS.label_smoothing, weights=1.0)
  return end_points

如果放入红色和四轮驱动汽车图像，如果它像这样出来就好了，但事实并非如此。

Car [0.99]
4 wheel drive [0.99]
color red [0.99]

实际上，每个人都猜对了，但结果就像使用了softmax。

Car [0.99]
4 wheel drive [0.03]
color red [0.009]

Answer 1

根据“多标签”的类型，有一些可能的选择。

如果“多标签”的可能重叠部分是不同的相互独立的标签集(颜色、形状等)的组合，那么分别为这些集创建 softmax 输出层会很好。

如果不幸的是标签无法划分，那么您可能需要检查并更改损失函数:对于softmax，它通常是交叉熵，这对于sigmoid来说效果不佳。