分类模型中 label值相关的文章

分类模型中 label值相关的文章：

Logistic regression:

https://www.jianshu.com/p/08f78d09024a

 

CNN cafe: 从0开始，连续整数

https://blog.csdn.net/m0_37192554/article/details/84852421

https://blog.csdn.net/u014381600/article/details/54319030

 

CNN tesorflow:

将索引one-hot: https://blog.csdn.net/qq_35203425/article/details/79997271

数字标签转化成onehot标签 https://blog.csdn.net/a_yangfh/article/details/77911126

在MNIST手写字数据集中，我们导入的数据和标签都是预先处理好的，但是在实际的训练中，数据和标签往往需要自己进行处理。

以手写数字识别为例，我们需要将0-9共十个数字标签转化成onehot标签。

 

 

https://blog.csdn.net/u014381600/article/details/54319030

最近在看tensorflow的用法，发现和caffe里面其实是类似的，但是如果是label全都obehot了的话，其实从几开始标注label并不重要，因为后面算loss的时候都一样，

x = tf.placeholder(tf.float32, [None, n_input])
y = tf.placeholder(tf.float32, [None, n_classes])
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=pred, labels=y))
optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(cost)

# Evaluate model
correct_pred = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1))
accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32))

注意这里的correct_pred = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1)) 
y是你自己的label标注onehot之后的，假设三个类，标注为0,1，2,或者是2,3,4都没关系，因为第一个类onehot之后都是100，在tf.argmax的时候得到的类别标号也是从index0开始的。 
但是如果你的label没有经过onehot，而网络的输出是 [None, n_classes]，这时候

correct_pred = tf.equal(tf.argmax(pred, 1),y)
1
这里的tf.argmax的时候得到的类别标号也是从index0开始的,因此你的label这时候没有onehot，是整形数，因此也必须从0开始，不然的话会出错。

**

结论：
无论是caffe还是tensorflow，做分类时自己的label都确保从0开始标号 ，这样后面你自己扩展的时候也不用考虑这种问题，另外tensorflow的话，只要label是onehot之后的，虽然可以不从0开始标注，或者说可以任意标注label，但是从0开始标记label依然是最安全的办法！