Python 基于TensorFlow的多标签文本分类

文本数据被组织为具有20000个元素的向量，如[2，1，0，0，5，…，0]。 第i个元素表示文本中第i个单词的频率

地面真值标签数据也表示为4000个元素的向量，如[0，0，1，0，1，…，0]。 第i个元素指示第i个标签是否为文本的正标签。 文本的标签数量因文本而异

我有一个单标签文本分类代码

如何编辑以下多标签文本分类代码

特别是，我想知道以下几点

• 如何使用TensorFlow计算精度
• 如何设置阈值来判断标签是正面还是负面。例如，如果输出为[0.80,0.43,0.21,0.01,0.32]，基本事实为[1,1,0,0,1]，则分数超过0.25的标签应被判定为阳性

多谢各位

import tensorflow as tf

# hidden Layer
class HiddenLayer(object):
    def __init__(self, input, n_in, n_out):
        self.input = input

        w_h = tf.Variable(tf.random_normal([n_in, n_out],mean = 0.0,stddev = 0.05))
        b_h = tf.Variable(tf.zeros([n_out]))

        self.w = w_h
        self.b = b_h
        self.params = [self.w, self.b]

    def output(self):
        linarg = tf.matmul(self.input, self.w) + self.b
        self.output = tf.nn.relu(linarg)

        return self.output

# output Layer
class OutputLayer(object):
    def __init__(self, input, n_in, n_out):
        self.input = input

        w_o = tf.Variable(tf.random_normal([n_in, n_out], mean = 0.0, stddev = 0.05))
        b_o = tf.Variable(tf.zeros([n_out]))

        self.w = w_o
        self.b = b_o
        self.params = [self.w, self.b]

    def output(self):
        linarg = tf.matmul(self.input, self.w) + self.b
        self.output = tf.nn.relu(linarg)

        return self.output

# model
def model():
    h_layer = HiddenLayer(input = x, n_in = 20000, n_out = 1000)
    o_layer = OutputLayer(input = h_layer.output(), n_in = 1000, n_out = 4000)

    # loss function
    out = o_layer.output()
    cross_entropy = -tf.reduce_sum(y_*tf.log(out + 1e-9), name='xentropy')    

    # regularization
    l2 = (tf.nn.l2_loss(h_layer.w) + tf.nn.l2_loss(o_layer.w))
    lambda_2 = 0.01

    # compute loss
    loss = cross_entropy + lambda_2 * l2

    # compute accuracy for single label classification task
    correct_pred = tf.equal(tf.argmax(out, 1), tf.argmax(y, 1))
    accuracy = tf.reduce_mean(tf.cast(correct_pred, "float"))

    return loss, accuracy

---

为了支持多标签分类，您必须在其他方面使用交叉熵函数的变体。如果你有少于一千的输出，你应该使用，在你的情况下，你有4000个输出，你可以考虑，因为它比以前更快。 如何使用TensorFlow计算精度

这取决于你的问题和你想要达到的目标。如果你不想错过一个图像中的任何对象，那么如果分类器得到正确的，但是一个，那么你应该认为整个图像是一个错误。你也可以考虑遗漏或错误分类的对象是一个错误。后者我认为是由sigmoid，cross，entropy和logits支持的

如何设置判断标签是否为正数的阈值 消极的例如，如果输出为[0.80,0.43,0.21,0.01， 0.32]而基本事实是[1,1,0,0,1]，分数超过0.25的标签应被判定为阳性

---

门槛是一条路要走，你必须决定哪一条。但这是某种黑客行为，不是真正的多标签分类。为此，您需要我前面提到的函数。

将relu更改为输出层的sigmoid。 将交叉熵损失修改为sigmoid交叉熵损失的显式数学公式（显式损失在我的案例/tensorflow版本中有效）

---

我认为除了交叉熵之外，可能还有更好的损失函数可以使用。对于多标签分类问题，有许多不同的准确度度量：一个错误准确度、秩损失、平均准确度等。我自己仍在学习TensorFlow，尚未成功地实现其中任何一个。但也许这篇论文会帮助你：如果你有任何进展，请告诉我！为了更好地计算精度，考虑计算精度和回想起。@ Benben什么是<代码> y> 我不知道它的定义。我不知道为什么人们建议“SigoMIDIXOXION EngPyPixLogLog'”。如果它是它的名字所暗示的，即-Y*ln（sigmoid（logits））。然后，它将通过给每个类赋予高概率来最小化损失，事实上，在我的例子中，它给出了高概率。这个函数不返回概率。我看不出它如何通过给出一个高值来最小化损失。如果将类设置为1，当类不存在时设置为0，则当对象不在图像中时，网络会给出接近0的值，如果对象在图像中，则网络会给出接近1或更大的值（甚至2 o3）。我正在使用它，并且工作得很好。它将通过给每个类赋予一个高值来最小化损失，因为给标记为0的类赋予高值不会带来任何惩罚（或0损失）。所以我们需要用二元交叉熵（y*ln（sigmoid（logits））+1-y*ln（sigmoid（1-logits）））来修正交叉熵损失。sigmoid_cross_entropy_with_logits没有在内部实现二进制交叉熵。我很惊讶为什么它在你们的案例中起作用，你们在使用theano etcI吗？我认为你们在数学上是错的。它是：y*ln（sigmoid（logits））+（1-y）*ln（1-sigmoid（logits））所以：logits=0，y=0=>0；logits=1，y=1=>0；logits=1，y=0=>1.3；logits=0，y=1=>1.3；你可以用数字在谷歌游戏中绘制函数。只要搜索y*-ln（1/（1+e^-x））+（1-y）*-ln（1-1/（1+e^-x））我的坏，忽略我上面的数学。这里是我使用的，对我有用，-tf.reduce_平均值（tf.mul（y，tf.log（tf.nn.sigmoid（logits）+1e-9））+tf.mul（1-y，tf.log（1-tf.nn.sigmoid（logits）+1e-9））。这起作用了，而你的建议没有起作用，如果我的论点有错，请告诉我

import tensorflow as tf

# hidden Layer
class HiddenLayer(object):
    def __init__(self, input, n_in, n_out):
        self.input = input

        w_h = tf.Variable(tf.random_normal([n_in, n_out],mean = 0.0,stddev = 0.05))
        b_h = tf.Variable(tf.zeros([n_out]))

        self.w = w_h
        self.b = b_h
        self.params = [self.w, self.b]

    def output(self):
        linarg = tf.matmul(self.input, self.w) + self.b
        self.output = tf.nn.relu(linarg)

        return self.output

# output Layer
class OutputLayer(object):
    def __init__(self, input, n_in, n_out):
        self.input = input

        w_o = tf.Variable(tf.random_normal([n_in, n_out], mean = 0.0, stddev = 0.05))
        b_o = tf.Variable(tf.zeros([n_out]))

        self.w = w_o
        self.b = b_o
        self.params = [self.w, self.b]

    def output(self):
        linarg = tf.matmul(self.input, self.w) + self.b
        #changed relu to sigmoid
        self.output = tf.nn.sigmoid(linarg)

        return self.output

# model
def model():
    h_layer = HiddenLayer(input = x, n_in = 20000, n_out = 1000)
    o_layer = OutputLayer(input = h_layer.output(), n_in = 1000, n_out = 4000)

    # loss function
    out = o_layer.output()
    # modified cross entropy to explicit mathematical formula of sigmoid cross entropy loss
    cross_entropy = -tf.reduce_sum( (  (y_*tf.log(out + 1e-9)) + ((1-y_) * tf.log(1 - out + 1e-9)) )  , name='xentropy' )    

    # regularization
    l2 = (tf.nn.l2_loss(h_layer.w) + tf.nn.l2_loss(o_layer.w))
    lambda_2 = 0.01

    # compute loss
    loss = cross_entropy + lambda_2 * l2

    # compute accuracy for single label classification task
    correct_pred = tf.equal(tf.argmax(out, 1), tf.argmax(y, 1))
    accuracy = tf.reduce_mean(tf.cast(correct_pred, "float"))

    return loss, accuracy