keras - 如果可以激活多个输出，softmax 层的替代品是什么？

Question

例如，我有一个 CNN，它试图从 MNIST 数据集(使用 Keras 编写的代码)中预测数字。它有 10 个输出，形成 softmax 层。只有一个输出可以为真(独立于 0 到 9 的每个数字):

Real: [0, 1, 0, 0, 0, 0, 0, 0, 0, 0]
Predicted: [0.02, 0.9, 0.01, 0.01, 0.01, 0.01, 0.01, 0.01, 0.01, 0.01]

由于 softmax 的定义，预测总和等于 1.0。

假设我有一个任务，我需要对一些可能属于几个类别的对象进行分类:

Real: [0, 1, 0, 1, 0, 1, 0, 0, 0, 1]

所以我需要以其他方式正常化。我需要在范围 [0, 1] 上给出值并且总和可以大于 1 的函数。

我需要这样的东西:

Predicted: [0.1, 0.9, 0.05, 0.9, 0.01, 0.8, 0.1, 0.01, 0.2, 0.9]

每个数字是对象属于给定类别的概率。之后，我可以使用一些阈值(如 0.5)来区分给定对象所属的类别。

出现以下问题:

那么可以使用哪个激活函数呢？

这个功能可能已经存在于 Keras 中了吗？

在这种情况下，您是否可以提出其他一些预测方法？

Answer 1

您的问题是多标签分类之一，在 Keras 的上下文中进行了讨论，例如，这里:https://github.com/fchollet/keras/issues/741

简而言之，在 keras 中建议的解决方案是用 sigmoid 层替换 softmax 层，并使用 binary_crossentropy 作为成本函数。

该线程中的一个示例:

# Build a classifier optimized for maximizing f1_score (uses class_weights)

clf = Sequential()

clf.add(Dropout(0.3))
clf.add(Dense(xt.shape[1], 1600, activation='relu'))
clf.add(Dropout(0.6))
clf.add(Dense(1600, 1200, activation='relu'))
clf.add(Dropout(0.6))
clf.add(Dense(1200, 800, activation='relu'))
clf.add(Dropout(0.6))
clf.add(Dense(800, yt.shape[1], activation='sigmoid'))

clf.compile(optimizer=Adam(), loss='binary_crossentropy')

clf.fit(xt, yt, batch_size=64, nb_epoch=300, validation_data=(xs, ys), class_weight=W, verbose=0)

preds = clf.predict(xs)

preds[preds>=0.5] = 1
preds[preds<0.5] = 0

print f1_score(ys, preds, average='macro')