Neural network 如何使用theano使用LSTM执行多标签学习？

我有一些文本数据，每个文档都有多个标签。我想为这个数据集使用Theano训练一个LSTM网络。我遇到过，但它只促进了二进制分类任务。如果有人对采用哪种方法有任何建议，那就太好了。我只需要一个初步可行的方向，我可以继续工作

谢谢，

---

Amit

您可以更改模型的最后一层。它将有一个目标向量，其中每个元素为0或1，这取决于您是否有目标。

1）更改模型的最后一层。即

pred = tensor.nnet.softmax(tensor.dot(proj, tparams['U']) + tparams['b'])

应替换为其他层，例如sigmoid：

pred = tensor.nnet.sigmoid(tensor.dot(proj, tparams['U']) + tparams['b'])

2） 成本也应该改变

即

应以其他成本代替，例如交叉熵：

one = np.float32(1.0)
pred = T.clip(pred, 0.0001, 0.9999)  # don't piss off the log
cost = -T.sum(y * T.log(pred) + (one - y) * T.log(one - pred), axis=1) # Sum over all labels
cost = T.mean(cost, axis=0) # Compute mean over samples

3） 在功能

build\u model（tparams，options）

中，您应更换：

y = tensor.vector('y', dtype='int64')

借

4） 更改

pred_error（）

，使其支持多标签（例如，使用一些度量标准，如准确性或scikit learn的F1分数）

y = tensor.vector('y', dtype='int64')

y = tensor.matrix('y', dtype='int64') # Each row of y is one sample's label e.g. [1 0 0 1 0]. sklearn.preprocessing.MultiLabelBinarizer() may be handy.