Jul*_*ger 7 neural-network keras keras-layer
对于我拥有的每个输入，我都有一个关联的 49x2 矩阵。这是一对输入输出对的样子
input :
[Car1, Car2, Car3 ..., Car118]
output :
[[Label1 Label2]
[Label1 Label2]
...
[Label1 Label2]]
其中 Label1 和 Label2 都是 LabelEncode，它们分别有 1200 和 1300 个不同的类。
只是为了确保这就是我们所说的多输出多类问题？
我试图展平输出，但我担心模型无法理解所有类似的 Label 共享相同的类。
是否有一个 Keras 层可以处理输出这种奇特的数组形状？
一般来说，多类问题与输出一组类的概率分布的模型相对应（通常通过交叉熵根据实际类的单热编码进行评分）。现在，无论您将其构造为一个输出、两个输出、49 个输出还是 49 x 2 = 98 个输出，这都意味着拥有 1,200 x 49 + 1,300 x 49 = 122,500 个输出单元 - 这不是计算机无法做到的手柄，但也许不是最方便的东西。您可以尝试让每个类输出成为单个（例如线性）单位并对其值进行舍入以选择标签，但是，除非标签具有某种数字含义（例如顺序、大小等），否则这不太可能起作用。
如果输入中元素的顺序有一定的意义（也就是说，打乱顺序会影响输出），我想我会通过 RNN 来解决这个问题，比如 LSTM 或双向 LSTM 模型，有两个输出。使用return_sequences=TruesoftmaxTimeDistributed Dense层作为输出，对于每个 118 长的输入，您将有 118 对输出；那么你可以使用时间样本加权来删除，例如，前 69 个（或者如果你使用的是双向模型，则可以执行诸如删除第 35 个和最后 34 个之类的操作）并计算剩余 49 对的损失标签。或者，如果这对您的数据有意义（也许没有），您可以使用更高级的东西，例如CTC （虽然 Keras 没有它，但我试图将TensorFlow 实现集成到其中，但没有取得太大成功），这也在Keras 中实现（感谢@indraforyou）！。
如果输入中的顺序没有意义，但输出的顺序有意义，那么您可以使用一个 RNN，其中输入是原始 118 长向量加上一对标签（每个标签都是单热编码的），输出是又是一对标签（又是两个 softmax 层）。这个想法是，你在每一帧上获得 49x2 输出的一“行”，然后将其与初始输入一起反馈到网络以获取下一个；在训练时，您会将输入与“前一个”标签（第一个标签为空标签）一起重复 49 次。
如果没有可利用的顺序关系（即输入和输出的顺序没有特殊含义），那么问题只能由最初的 122,500 个输出单元（加上您可能需要的所有隐藏单元）来真正表示。做对）。您还可以尝试在常规网络和 RNN 之间采取某种中间立场，其中您有两个 softmax 输出，并且除了 118 长向量之外，还包括您想要的输出的“id”（例如，作为 49 -长one-hot编码向量）；如果 49 个输出中每个标签的“含义”相似或具有可比性，则它可能有效。