多标签分类角膜的怪异准确性

Question

我有一个多标签分类问题，我使用了以下代码，但是在第一个时期，验证准确性跳升到99％，考虑到数据的复杂性，这是很奇怪的，因为输入特征是从初始模型（pool3：0）层中提取的2048个输入特征，标签为[1000]，（这是文件的链接，其中包含功能和标签的示例：https : //drive.google.com/file/d/0BxI_8PO3YBPPYkp6dHlGeExpS1k/view?usp=sharing），我是否有此东西在这里做错了？

注意：标签为稀疏向量，仅包含1〜10项，因为1其余为零

model.compile(optimizer='adadelta', loss='binary_crossentropy', metrics=['accuracy']) 

预测的输出为零！

在训练模型以干扰预测时，我做错了什么？

#input is the features file and labels file

def generate_arrays_from_file(path ,batch_size=100):
x=np.empty([batch_size,2048])
y=np.empty([batch_size,1000])
while True:
    f = open(path)
    i = 1  
    for line in f:
        # create Numpy arrays of input data
        # and labels, from each line in the file
        words=line.split(',')
        words=map(float, words[1:])
        x_= np.array(words[0:2048])
        y_=words[2048:]
        y_= np.array(map(int,y_))
        x_=x_.reshape((1, -1))
        #print np.squeeze(x_)
        y_=y_.reshape((1,-1))
        x[i]= x_
        y[i]=y_
        i += 1
        if i == batch_size:
            i=1
            yield (x, y)

    f.close()

model = Sequential()
model.add(Dense(units=2048, activation='sigmoid', input_dim=2048))
model.add(Dense(units=1000, activation="sigmoid", 
kernel_initializer="uniform"))
model.compile(optimizer='adadelta', loss='binary_crossentropy', metrics=
['accuracy'])

model.fit_generator(generate_arrays_from_file('train.txt'),
                validation_data= generate_arrays_from_file('test.txt'),
                validation_steps=1000,epochs=100,steps_per_epoch=1000, 
                  verbose=1)

Answer 1

我认为准确性的问题是您的输出稀疏。

Keras使用以下公式计算准确性：

K.mean(K.equal(y_true, K.round(y_pred)), axis=-1)

因此，在您的情况下，只有1〜10个非零标签，对全0的预测将产生99.9％〜99％的准确性。

至于没有学习的问题，我认为问题是您使用了S型作为最后一次激活，并使用0或1作为输出值。这是一种不好的做法，因为为了使S型返回0或1，它作为输入获得的值必须非常大或非常小，这反映在具有很大（绝对值）权重的网络上。此外，由于每个训练输出中的1远小于0，因此网络很快就会到达一个固定点，在该点中，它只输出所有零（这种情况下的损失也不大，应该在0.016〜0.16左右）。

您可以做的是缩放输出标签，例如使它们在（0.2，0.8）之间，以使网的权重不会太大或太小。或者，您可以使用relu作为激活功能。