[英]How many neurons should be there in the output layer of a neural network for classification?
[英]How many neurons should be in the last layer of the neural network?
我使用以下代码将电影评论分为三类(负面为 -1,中性为 0,1 为正面)。 但是对于三类分类问题,最后一层真的只有一个 output 神经元吗?
import tensorflow as tf
import numpy as np
import pandas as pd
import numpy as K
csvfilename_train = 'train(cleaned).csv'
csvfilename_test = 'test(cleaned).csv'
# Read .csv files as pandas dataframes
df_train = pd.read_csv(csvfilename_train)
df_test = pd.read_csv(csvfilename_test)
train_sentences = df_train['Comment'].values
test_sentences = df_test['Comment'].values
# Extract labels from dataframes
train_labels = df_train['Sentiment'].values
test_labels = df_test['Sentiment'].values
vocab_size = 10000
embedding_dim = 16
max_length = 30
trunc_type = 'post'
oov_tok = '<OOV>'
from tensorflow.keras.preprocessing.text import Tokenizer
from tensorflow.keras.preprocessing.sequence import pad_sequences
tokenizer = Tokenizer(num_words = vocab_size, oov_token = oov_tok)
tokenizer.fit_on_texts(train_sentences)
word_index = tokenizer.word_index
sequences = tokenizer.texts_to_sequences(train_sentences)
padded = pad_sequences(sequences, maxlen = max_length, truncating = trunc_type)
test_sequences = tokenizer.texts_to_sequences(test_sentences)
test_padded = pad_sequences(test_sequences, maxlen = max_length)
model = tf.keras.Sequential([
tf.keras.layers.Embedding(vocab_size, embedding_dim, input_length = max_length),
tf.keras.layers.Flatten(),
tf.keras.layers.Dense(6, activation = 'relu'),
tf.keras.layers.Dense(1, activation = 'sigmoid'),
])
model.compile(loss = 'binary_crossentropy', optimizer = 'adam', metrics = ['accuracy'])
num_epochs = 10
model.fit(padded, train_labels, epochs = num_epochs, validation_data = (test_padded, test_labels))
当我将tf.keras.layers.Dense(1, activation = 'sigmoid')
更改为tf.keras.layers.Dense(2, activation = 'sigmoid')
时,它给了我以下错误:
---> 10 model.fit(padded, train_labels, epochs = num_epochs, validation_data = (test_padded,test_labels))
ValueError: logits and labels must have the same shape ((None, 2) vs (None, 1))
如果您在 3 个类别之间进行分类,您应该有 3 个神经元。
此外,您应该为最后一层使用'softmax'
激活,假设所有观察都在一个 class 中。
接下来,您应该使用'sparse_categorical_crossentropy'
因为您的输入不是一次性编码的。 [0,0,1], [0,1,0], [1,0,0]
等目标是可选的,您也可以有[1, 2, 0, 1, 2, 1, 0]
。
最后,您的目标应该是[0, 1, 2]
而不是[-1, 0, 1]
所以我建议您在标签中添加 1。
test_labels = df_test['Sentiment'].values + 1
如果标签是[-1, 0, 1]
而不是[0, 1, 2]
会发生这种情况:
import tensorflow as tf
sparse_entropy = tf.losses.SparseCategoricalCrossentropy()
a = tf.convert_to_tensor([[-1., 0., 1.]]) #+ 1
b = tf.convert_to_tensor([[.4, .2, .4], [.1, .7, .2], [.8, .1, .1]])
sparse_entropy(a, b)
nan
如果您取消注释+1
,它将标签转换为[0, 1, 2]
,它可以工作:
<tf.Tensor: shape=(), dtype=float32, numpy=1.1918503>
简短的回答:
一个热编码您的火车标签并使用分类交叉熵作为损失 function。
原因:
解决方案:
您的 model 将在此之后开始学习。
你有 3 个类 -> num_classes=3 你的最后一层应该是这样的:
tf.keras.layers.Dense(num_classes, activation = 'sigmoid'),
您将收到一个具有 3 个概率的 np.array,即 output。 此外,您应该将 class 更改为 categorical_crossentropy,因为您没有解决二进制问题。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.