Tensorflow中的多标签分类器
Tensorflow中的多标签分类器
提问于 2016-08-31 13:21:33
我想用TensorFlow开发一个多标签分类器，我的意思是存在多个包含多个类的标签。为了举例说明，您可以将情况想象为：
- 标签-1级:下雨，下雨，不下雨，不下雨。
- 标签-2级:晴天，部分多云，多云，非常多云。
我想用神经网络对这两个标签进行分类。现在，我对每个(标签-1，标签-2)对类使用了不同的类标签。这意味着我有4x4=16个不同的标签。
通过训练我的模特
电流损耗
cross_entropy = tf.reduce_mean(-tf.reduce_sum(ys * tf.log(prediction), reduction_indices=[1]))
# prediction is sofmaxed
loss = cross_entropy + regul * schema['regul_ratio'] # regul things is for regularization
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)然而，我认为，在这种情况下，多标签培训会更好。
- 我的特性将是n_samples，n_features
- 我的标签是n_samples，n_classes，2
n_samples of x1，x2，x3，x4 .#功能
n_samples of [0，0，0，1，0，0，1，0] #不下雨和多云
如何用tensorflow建立一个软件最大概率分布预测器。对于这样的多标签问题，有什么有用的例子吗？我的损失张量会怎么样？
回答 1
Stack Overflow用户
回答已采纳
发布于 2016-08-31 16:32:52
为什么不让你的网络产生两种不同的输出？
网络-> prediction1和prediction2
如果prediction1和prediction2都是#、#，但我下面描述的是，即使它们的大小不同，它们也是有效的。
那就跑吧
loss1 = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(prediction1, labels_1))
loss2 = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(prediction2, labels_2))
loss = loss1 + loss2页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/39250828
复制相关文章
相似问题
腾讯云开发者
