关于在TFLearn中使用非二进制标签的问题
我正在尝试用Python3中的TFLearn编写一个神经网络，我有一个与标签相关的问题。神经网络的输入是长度为11的1维向量。与这些输入对应的标签也是长度为11的1维向量。但是，它们的值不是0和1。在大多数示例中，标签通常由1,0或0,1组成，例如在对猫和狗的图像进行分类的情况下。然而，我的情况更独特，我需要使用4，9，11，2，1，6，4，6，6，10，1，0这样的标签向量。有许多不同的标签类型，而不是典型的例子中只有2，我不能用由0和1组成的向量来重新编码我的标签。我的问题是，当使用所示形式的标签时，它似乎不起作用。基本上，我想知道这是为什么，以及如何让TFLearn正确地处理它。当我训练神经网络时，我得到了大约78%的准确率。但是，当我随后尝试.predict()函数时，它会输出一个由所有小于1的值组成的向量。
我的标签向量中的值始终是0到11之间的整数。所以我希望输出的值也在这个范围内，但实际上它输出的值在0到1之间。我该如何解决这个问题？到目前为止，我已经尝试将我标签中的每个值除以11，这样4,9,11,2,1,6,4,6,10,1,0将成为4/11,9/11,11/11,2/11,1/11,6/11,4/11,6/11,10/11,1/11,0/11.，然而，这似乎也不起作用。我仍然得到了大约78%的精度结果和0到1的输出向量，但它的表现就像它的过度拟合一样。我不确定我是否在编程上做错了什么，使用了错误的过程，或者是否真的太合适了。下面是我使用的TFLearn代码。
#NN starts
net = tflearn.input_data(shape=[None, len(input[0])])
net = tflearn.fully_connected(net, 32)
net = tflearn.fully_connected(net, 32)
net = tflearn.fully_connected(net, len(labels[0]), activation='softmax')
net = tflearn.regression(net)
# Define model
model = tflearn.DNN(net)
# Start training (apply gradient descent algorithm)
model.fit(input, labels, n_epoch=10, batch_size=16, show_metric=True)
#Predict
pred = model.predict(testvector)
print('output = ', pred)`Stack Overflow用户
发布于 2019-08-19 16:11:55
获取0到1之间的输出预测值的原因是您正在使用softmax激活功能。Softmax function为0,1范围内的每个输出节点分配一个加起来为1的概率。因此，您不会获得任何整数值作为输出。归一化(即除以11)也不起作用，因为每个输出值都是相互独立的。
您可以通过以下方式将您的问题转换为multiclass-multilabel classification问题：
输出标签的
- 将每个数字转换为由四位数组成的二进制(因为最大值是11，这需要4位二进制数)。例: 4，9，...变成0100,1001，...
- 将每个二进制数作为一个类。所以你的问题变成了一个分类问题。例如: 0100,1001，...变成0，1，0，0，1，0，0，1，...其中每四位数字将代表你实际输出的数字。
- 这种方法将你的训练和测试数据集标签转换成二进制数字数组。
- 然后在你的模型中，代替使用softmax激活函数，你可以使用sigmoid激活函数。Sigmoid函数将为0,1范围内的每个输出节点分配一个概率。因此，在训练模型后，您的预测输出应该类似于: 0.0012，0.7890，0.0001，0.0100，0.8801，0.0030，0.0440，0.9120，...
- 选择适当的阈值将预测转换为二进制数。例如:如果我们选择0.5作为阈值，那么输出就变成: 0，1，0，0，1，0，0，1，...然后，您可以将每四位数视为实际输出标签的单个数字。
https://stackoverflow.com/questions/57510987
复制相似问题
腾讯云开发者
