ZCD*_*DEV 5 deep-learning conv-neural-network tensorflow
我想对n个类执行多标签图像分类任务。我已经为每个图像提供了稀疏的标签向量，并且每个标签向量的每个维度目前都以这种方式进行编码：
1.0->标签为真/图片属于此类
-1.0->标签为false /此类不包含图像。
0.0->缺失值/标签
例如：V = {1.0，-1.0,1.0，0.0}
对于此示例V，模型应了解，应将相应图像分类为第一类和第三类。
我的问题是当前如何处理缺少的值/标签。我已经搜索了所有问题并找到了这个问题：在这里找到了 tensorflow / skflow＃113
因此可以使用以下方法进行多重图像分类：tf.nn.sigmoid_cross_entropy_with_logits（logits，target，name = None）
但是TensorFlow具有针对稀疏softmax的此错误函数，该函数用于专有分类：tf.nn.sparse_softmax_cross_entropy_with_logits（登录，标签，名称=无）
那么，是否存在稀疏的S型交叉熵呢？（找不到任何内容）或任何建议，如何处理稀疏标签的多标签分类问题。
首先我想知道你所说的缺失数据是什么意思？在你的情况下，miss 和 false 有什么区别？
接下来，我认为你这样表示你的数据是错误的。您尝试在同一维度上表示不相关的信息。（如果它是假的或真的话，它就会起作用）
在我看来，更好的方法是为每个类表示一个概率，如果它是好的、缺失的或错误的。
在你的情况下 V = [(1,0,0),(0,0,1),(1,0,0),(0,1,0)]
| 归档时间： |
|
| 查看次数： |
2366 次 |
| 最近记录： |