tensorflow - 如何使用tensorflow对一类数据进行分类？

Question

我有一个用 TensorFlow 编写的深度缠绕代码。此代码适用于多个类。我想将代码更改为一个类，以便我可以教授零类并将任何不像零类数据的数据识别为非零。我在最后一层使用了 sigmoid 函数和一个神经元。我的模型训练很简单，但在测试时它只能识别任何其他类型数据的同一类。我把代码放在下面。我如何更改它以识别非类？

    h_drop = tf.nn.dropout(h_pool_flat, keep_prob=self.keep_prob)
    # Softmax
    with tf.name_scope('softmax'):
        softmax_w = tf.Variable(tf.truncated_normal([num_filters_total, self.num_classes], stddev=0.1), name='softmax_w')
        softmax_b = tf.Variable(tf.constant(0.1, shape=[self.num_classes]), name='softmax_b')

        # Add L2 regularization to output layer
        self.l2_loss += tf.nn.l2_loss(softmax_w)
        self.l2_loss += tf.nn.l2_loss(softmax_b)

        self.logits = tf.matmul(h_drop, softmax_w) + softmax_b
        predictions = tf.nn.sigmoid(self.logits)
        print(predictions)
        **self.predictions = tf.argmax(predictions, 1, name='predictions')**

    # Loss
    with tf.name_scope('loss'):
        losses = tf.nn.sparse_softmax_cross_entropy_with_logits(labels=self.input_y, logits=self.logits)
        # Add L2 losses
        self.cost = tf.reduce_mean(losses) + self.l2_reg_lambda * self.l2_loss

    # Accuracy
    with tf.name_scope('accuracy'):
        correct_predictions = tf.equal(self.predictions, self.input_y)
        print(self.input_y)
        print(self.predictions)
        self.correct_num = tf.reduce_sum(tf.cast(correct_predictions, tf.float32))
        self.accuracy = tf.reduce_mean(tf.cast(correct_predictions, tf.float32), name='accuracy')

这一行需要更改，但我不知道如何更改。self.predictions = tf.argmax(predictions, 1, name='predictions')你能指导我吗？

Answer 1

想象一下你的概念错误:如果你接受过识别猫图像的训练，并且每次你在训练期间正确喊“猫”，你都会得到一 block cookies ，如果你突然看到狗的图像，你会说什么？
- 确切地说，说“猫”，因为你仍然得到 cookies 。

更具体地说，如果在训练期间没有针对这两种情况的示例，您的网络就无法了解“正确”或“错误”的含义。如果没有负面示例，您的训练将无法在经典意义上发挥作用，因为网络总是“有益的”，无论您向它展示什么，它都是它知道的单一类。

存在单类分类的研究领域(例如，参见 this 和 this 论文)，但到目前为止，我认为使用一些负面示例以获得不错的性能会更有意义，特别是如果您手头有大量现成的训练数据(即 MNIST 中的非零图像)。