Arrays 如何为KERAS多标签问题提供数据生成器？

我正在研究KERAS的多标签分类问题。 当我像这样执行代码时，会出现以下错误：

ValueError：检查目标时出错：预期激活\u 19有2个维度，但得到了形状为（32,6,6）的数组。

这是因为我在标签词典中的列表中充满了“0”和“1”，正如我最近了解到的那样，这不适合return语句中的keras.utils.to_category。softmax也不能处理多个“1”

我想我首先需要一个标签编码器，然后对

标签

进行一个热编码，以避免标签中出现多个“1”，这与softmax不匹配

我希望有人能给我一个如何预处理或转换标签数据的提示，以修复代码。我会非常感激的。 即使是一段代码片段也会很棒

csv如下所示：

Filename  label1  label2  label3  label4  ...   ID
abc1.jpg    1       0       0       1     ...  id-1
def2.jpg    0       1       0       1     ...  id-2
ghi3.jpg    0       0       0       1     ...  id-3
...

---

由于您已经将标签作为0和1的21个元素的向量，因此不应在函数

\u数据生成（self，list\u id\u temp）

中使用

keras.utils.to\u category

。只需返回

X

和

y

好的，我有一个解决方案，但我不确定这是最好的

from sklearn import preprocessing #for LAbelEncoder


labels_list = [x[1] for x in labels.items()] #get the list of all sequences

def convert(list):  
    res = int("".join(map(str, list)))

    return res

label_int = [convert(i) for i in labels_list] #Convert each sequence to int 

print(label_int) #E.g : [1,2,3] become 123


le = preprocessing.LabelEncoder()
le.fit(label_int)
labels = le.classes_   #Encode each int to only get the uniques
print(labels)
d = dict([(y,x) for x,y in enumerate(labels)])   #map each unique sequence to an label like 0, 1, 2, 3 ...
print(d)

labels_encoded = [d[i] for i in label_int]  #get all the sequence and encode them with label obtained 
print(labels_encoded)

labels_encoded = to_categorical(labels_encoded) #encode to_cagetorical 
print(labels_encoded)

我想这不是很干净，但它起作用了

你需要改变你的最后一个致密层，使其拥有相当于编码序列长度的神经元

对于预测，您将使用dict“d”将预测值映射到原始序列样式

如果你需要澄清，请告诉我

对于一些测试序列，它为您提供了：

labels = {'id-0': [1, 0, 0, 1, 0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 1],
          'id-1': [0, 1, 0, 1, 0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1],
          'id-2': [0, 0, 0, 1, 0, 0, 0, 0, 1, 1, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 1],
          'id-3': [1, 0, 0, 1, 0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 1],
          'id-4': [0, 1, 0, 1, 0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1]}

[100100001100000001011, 10100001100000000001, 100001100010000001, 100100001100000001011, 10100001100000000001]
[100001100010000001 10100001100000000001 100100001100000001011]
{100001100010000001: 0, 10100001100000000001: 1, 100100001100000001011: 2}
[2, 1, 0, 2, 1]
[[0. 0. 1.]
 [0. 1. 0.]
 [1. 0. 0.]
 [0. 0. 1.]
 [0. 1. 0.]]

澄清后编辑： 好的，我读了更多关于这个主题的内容，再次说明

softmax的问题是，它将尝试最大化一个类，同时最小化其他类。

因此，我建议保留21个1和0的数组，但不要使用
Softmax
，而是使用
Sigmoid
（预测每个类0到1之间的概率）和
二进制交叉熵

并使用treshold进行预测：

preds = model.predict(X_test)
preds[preds>=0.5] = 1
preds[preds<0.5] = 0

preds=model.predict（X_检验）
preds[preds>=0.5]=1
preds[predsi已经试过了，但我的损失越来越大。因此我正在寻找一种不同的方法。无论如何，谢谢！@sebk-Oh，这是一个不同的问题，与你提到的错误无关。没错，错误不会再发生了，但执行仍然不会satisfying@sebk你现在的问题根本没有传达出问题所在m你有想法。请问一个关于损失没有改善的新问题。类似这样的问题对你很有用：嘿，akila，这不是关于损失，更多的是关于我如何以何种方式将数据传递给数据生成器。我的问题是关于我问的预处理“我希望有人能给我一个如何预处理或转换标签数据的提示…”谢谢：）标签用于图像重建。例如，如果标签1（序列中的第一位数字）这意味着，图像中有一座山，如果有一个0，就没有山。如果label2表示太阳，第二个数字是1，那么图像中有一个太阳……我希望这是可以理解的。我想按照您之前提到的评论：从21个标签开始[0,1,2,3，…]然后你对这个数组进行一次热编码，然后把它交给你的网络。我只是不知道如何像你建议的那样准确地塑造我的数据…我昨天晚上也发现了这个sigmoid选项：）。无论如何，代码的性能不如预期的好。我添加了批处理规范，尝试了退出，并多次更改了模型的架构。最好acc的结果是71%，这一点都不令人惊讶……我将检查我的输入数据和hpoe以找到错误……改进性能的一些提示：尝试其他优化器（adam？），查看训练和val损失曲线，以发现潜在的过拟合/欠拟合，改变学习率，增加网络的复杂性（更多conv、更多bloc、剩余bloc、挤压和激发bloc等），添加更多数据，预处理图像（如果尚未完成）…如果您愿意，可以共享您的网络，我可以查看潜在的改进！
preds = model.predict(X_test)
preds[preds>=0.5] = 1
preds[preds<0.5] = 0