本文介绍如何在Keras中实现多标签（multi-label）神经网络。区别于multi-class分类，多标签允许一个样本拥有多个标签。文中通过代码示例展示了一个全连接网络的构建过程，包括网络结构、输出层使用sigmoid激活函数以及采用binary_crossentropy作为损失函数。重点在于理解多标签学习的网络设计和训练策略。
前沿
本篇记录一下自己项目中用到的keras相关的部分。由于本项目既有涉及multi-class（多类分类），也有涉及multi-label（多标记分类）的部分，multi-class分类网上已经很多相关的文章了。这里就说一说multi-label的搭建网络的部分。之后如果有时间的时候，再说一说cross validation（交叉验证）和在epoch的callback函数中处理一些多标签度量metric的问题。
multi-label多标记监督学习
其实我个人比较喜欢把label翻译为标签。那可能学术上翻译multi-label多翻译为多标记。其实和多标签一个意思。
multi-class 和 multi-label的区别
multi-class是相对于binary二分类来说的，意思是需要分类的东西不止有两个类别，可能是3个类别取一个（如iris分类），或者是10个类别取一个（如手写数字识别mnist）。
而multi-label是更加general的一种情况了，它说为什么一个sample的标签只能有1个呢。为什么一张图片不是猫就是狗呢？难道我不能训练一个人工智能，它能告诉我这张图片既有猫又有狗呢？
其实关于多标签学习的研究，已经有很多成果了。
主要解法是
* 不扩展基础分类器的本来算法，只通过转换原始问题来解决多标签问题。如BR， LP等。
* 扩展基础分类器的本来算法来适配多标签问题。如ML-kNN, BP-MLL等。
这里不展开了。有兴趣的同学可以自己去研究一下。
最低0.47元/天 解锁文章
723
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
