如何使用 keras 進行多標簽多類分類

Question

我有一個數據集，其中包含 6 個可能的類型標簽：

Class 1: Near-large 
Class 2: Far- Large 
Class 3: Near - Medium 
Class 4: Far - Medium 
Class 5: Near - small 
Class 6: far - small 

我想修改問題以分離標簽，以便每個樣本都可以獨立地分類為遠/近和小/中/小，給定每個分類的不同特征作為輸入。

我的第一個想法是為每個子標簽訓練 2 個不同的模型，然后創建一個自定義函數來加入預測，但我想知道在 Keras 框架內是否有更快的方法。

我知道我可以使用函數式 API 來創建兩個具有獨立輸入和兩個獨立輸出的模型。 這會給我 2 個不同子標簽的 2 個預測。 如果我對子標簽進行熱編碼，這些模型的輸出將是這樣的：

Model1.output = [ 0,1 ] or [1,0]  ( far/near) 
Model2.output = [ 1, 0, 0 ] or [0,1,0] or [0,0,1](small/medium/large)

但是，如何合並這兩個輸出以創建完整標簽的 6 個暗向量？

Model_merged.output = [1, 0, 0, 0, 0 ,0 ] , [010000], ...., [000001] (class1,... ,Class6) 

Answer 1

您可以reshape 1 輸出以擴展軸，將其與模型 2 輸出相乘並將它們都展平。

from keras.models import Model

reshaped = keras.layers.Reshape((2,-1))(model1.output)
combined = keras.layers.Multiply()([reshaped,model2.output])
flattened = keras.layers.Reshape((6,))(combined)


Combined_model = Model([model1.input,model2.input], flattened)

上面的一個簡單的 numpy 示例是：

model1_output = np.array([0,1])[:,None] #Reshaped

#array([[0],
#       [1]])

model2_output = np.array([1,0,0])

# array([1, 0, 0])

combined = model1_output*model2_output

#array([[0, 0, 0],
#       [1, 0, 0]])

combined.ravel()

#array([0, 0, 0, 1, 0, 0])