在Keras的多分類中有多個預測？

我正在學習使用Keras設計卷積神經網絡。我開發了一個使用VGG16作爲基礎的簡單模型。我在數據集中有大約6類圖像。這裏是我的模型的代碼和描述。在Keras的多分類中有多個預測？

model = models.Sequential() 
conv_base = VGG16(weights='imagenet' ,include_top=False, input_shape=(IMAGE_SIZE, IMAGE_SIZE, 3)) 
conv_base.trainable = False 
model.add(conv_base) 
model.add(layers.Flatten()) 
model.add(layers.Dense(256, activation='relu', kernel_regularizer=regularizers.l2(0.001))) 
model.add(layers.Dropout(0.5)) 
model.add(layers.Dense(6, activation='sigmoid'))

下面是用於編譯和擬合模型的代碼：

model.compile(loss='categorical_crossentropy', 
     optimizer=optimizers.RMSprop(lr=1e-4), 
     metrics=['acc']) 
model.summary() 

callbacks = [ 
    EarlyStopping(monitor='acc', patience=1, mode='auto'), 
    ModelCheckpoint(monitor='val_loss', save_best_only=True, filepath=model_file_path) 
] 

history = model.fit_generator(
    train_generator, 
    steps_per_epoch=10, 
    epochs=EPOCHS, 
    validation_data=validation_generator, 
    callbacks = callbacks, 
    validation_steps=10)

這裏是一個新的圖像

img = image.load_img(img_path, target_size=(IMAGE_SIZE, IMAGE_SIZE)) 
plt.figure(index) 
imgplot = plt.imshow(img) 

x = image.img_to_array(img) 
x = x.reshape((1,) + x.shape) 
prediction = model.predict(x)[0] 
# print(prediction)

通常模型的預測的代碼。 predict（）方法預測多個類。

[0 1 1 0 0 0]

我有幾個問題

這是正常的多類分類模型來預測一個以上的輸出？
如果預測不止一個班級，在培訓時間內如何測量準確度？
如何修改神經網絡，以便只預測一個類？

任何幫助表示讚賞。非常感謝！

來源

2017-08-04 TMS

你不是在做多類分類，而是多標籤。這是由於在輸出層使用sigmoid激活引起的。要正確執行多類分類，請在輸出處使用softmax激活，這將產生類上的概率分佈。如預期的那樣，以最大概率（argmax）取類別將產生單個類別預測。

來源

2017-08-04 14:29:39

謝謝你的解釋。就是這樣！你能解釋一下Keras火車功能如何測量準確性嗎？例如，在訓練期間，假設模型預測[0,0.2,0.4,0.7,0.1,0]。凱拉斯是否會看第3課，準確度爲0.7，並認爲該模型的輸出與真相相比較？ – TMS

這種方法不是庫特定的。一般多類分類概率是使用n個輸出類的softmax激活，將「pick」作爲最高概率之一。所以對你而言，是的，第3課被認爲是選定的課程。單個樣本的準確度是二進制的，並根據您的輸入進行平均。 @TMS。 – modesitt

在Keras的多分類中有多個預測？

回答

相關問題