tensorflow - 使用 Keras 进行多输出分类

Question

我正在使用 keras 构建多输出分类模型。我的数据集是这样的

[x1,x2,x3,x4,y1,y2,y3]

x1,x2,x3 是特征，y1,y2,y3 是标签，y1,y2,y3 是多类。

我已经构建了一个模型(我忽略了一些隐藏层):

def baseline_model(input_dim=23,output_dim=3):
    model_in = Input(shape=(input_dim,))
    model = Dense(input_dim*5,kernel_initializer='uniform',input_dim=input_dim)(model_in)
    model = Activation(activation='relu')(model)
    model = Dropout(0.5)(model)

    ...................

    model = Dense(output_dim,kernel_initializer='uniform')(model)
    model = Activation(activation='sigmoid')(model)

    model = Model(model_in,model)
    model.compile(optimizer='adam',loss='binary_crossentropy', metrics=['accuracy'])
    return model

然后我尝试使用keras的方法使其支持分类:

estimator = KerasClassifier(build_fn=baseline_model)
estimator.fit()
estimator.predict(df[0:10])

但是我发现结果不是多输出的，只输出一维。

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

那么对于多输出分类问题，我们能不能用KerasClassifier函数来学习呢？

Answer 1

您不需要将模型包装在 KerasClassifier 中。该包装器使您可以将 Keras 模型与 Scikit-Learn 一起使用。模型的类型(分类器、回归、多类分类器等)最终由模型最后一层的形状和激活决定。

您可以简单地使用 Keras 的 model.fit() 函数。确保将数据传递到函数中。您可以在此处查看有关拟合功能的更多信息:https://keras.io/models/model/#fit

您的损失也设置为binary_crossentropy。对于多类问题，您需要使用 categorical_crossentropy。

model.compile(optimizer='adam',loss='categorical_crossentropy', metrics=['accuracy'])

据我所知，这个模型实际上并不是 Keras 所说的多输出。通过多输出，您尝试从多个不同层获取输出，并可能对它们应用不同的损失函数。

根据您问题中的设置，如果您愿意，您可以使用 Keras 顺序模型而不是功能模型。如果可以的话，Keras 建议使用顺序模型，因为它更简单。 https://keras.io/getting-started/sequential-model-guide/