tensorflow - TensorFlow中具有稀疏标签的多标签图像分类？

Question

我想对n个类执行多标签图像分类任务。
我已经为每个图像提供了稀疏的标签向量，并且每个标签向量的每个维度目前都以这种方式进行编码:

1.0->标签为真/图片属于此类

-1.0->标签为false/此类不包含图像。

0.0->缺失值/标签

例如:V = {1.0，-1.0,1.0，0.0}

对于此示例V，模型应了解，应将相应图像分类为第一类和第三类。

我的问题是当前如何处理缺少的值/标签。我搜索了所有问题，然后发现了这个问题:
tensorflow/skflow＃113 found here

因此可以使用以下方法进行多重图像分类:
tf.nn.sigmoid_cross_entropy_with_logits(登录，目标，名称=无)

但是TensorFlow对于稀疏softmax具有此错误功能，该功能用于排他分类:
tf.nn.sparse_softmax_cross_entropy_with_logits(登录，标签，名称=无)

那么，有没有像稀疏的S型交叉熵那样的东西？ (找不到任何内容)或任何建议，如何处理稀疏标签的多标签分类问题。

Answer 1

我使用 weighted_cross_entropy_with_logits 作为具有正权重1s的损失函数。

就我而言，所有标签都同样重要。但是0出现在任何标签上的可能性是1的十倍。

因此，我通过调用上述损失函数的 pos_weight 参数权衡了所有1。我使用的pos_weight(=正值的权重)为10。顺便说一句，我不建议使用任何策略来计算pos_weight。我认为这将明确取决于手中的数据。

如果实际标签= 1，则为
weighted_cross_entropy = pos_weight * Sigmoid_cross_entropy

带对数的加权交叉熵与带对数的Sigmoid交叉熵相同，只是额外权重值乘以所有具有正实值的目标，即1。

从理论上讲，它应该完成这项工作。我仍在调整其他参数以优化性能。稍后将更新性能统计信息。