如何在keras中进行多类图像分类？

Question

这是我所做的。我得到了狗/猫图像分类的代码，我编译并运行并获得了 80% 的准确率。我在 train 和 validation 文件夹中又添加了一个类（飞机）文件夹。在以下代码中进行了更改

model.compile(loss='categorical_crossentropy',
              optimizer='rmsprop',
              metrics=['accuracy'])

train_generator = train_datagen.flow_from_directory(
    train_data_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    class_mode='categorical')

validation_generator = test_datagen.flow_from_directory(
    validation_data_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    class_mode='categorical')

更改binary class_mode为categorical并且也损失为categorical_crossentropy。还将输出布局更改sigmoid为softmax. 收到以下错误。

ValueError: Error when checking target: expected activation_10 to have shape (None, 1) but got array with shape (16, 3)

我是否需要明确地将训练标签更改为如下所述的分类标签？（我使用 keras从站点多标签分类中读取了此内容）

train_labels = to_categorical(train_labels, num_classes=num_classes) 

我不确定这里会发生什么。请帮忙。我对深度学习比较陌生。

模型

model = Sequential()

model.add(Conv2D(32, (3, 3), input_shape=input_shape))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Conv2D(32, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Conv2D(64, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Flatten())
model.add(Dense(64))
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(1))
model.add(Activation('softmax'))

model.compile(loss='categorical_crossentropy',
              optimizer='rmsprop',
              metrics=['accuracy'])

# this is the augmentation configuration we will use for training
train_datagen = ImageDataGenerator(
    rescale=1. / 255,
    shear_range=0.2,
    zoom_range=0.2,
    horizontal_flip=True)
# this is the augmentation configuration we will use for testing:
# only rescaling
test_datagen = ImageDataGenerator(rescale=1. / 255)

train_generator = train_datagen.flow_from_directory(
    train_data_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    class_mode='categorical')


validation_generator = test_datagen.flow_from_directory(
    validation_data_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    class_mode='categorical')
model.fit_generator(
    train_generator,
    steps_per_epoch=nb_train_samples // batch_size,
    epochs=epochs,
    validation_data=validation_generator,
    validation_steps=nb_validation_samples // batch_size)

Answer 1

对于多类分类，最后一个密集层必须有与类数相等的节点数，然后softmax激活，即你的模型的最后两层应该是：

model.add(Dense(num_classes))
model.add(Activation('softmax'))

此外，您的标签（训练和测试）必须是单热编码的；因此，假设您最初的猫和狗被标记为整数 (0/1)，并且您的新类别（飞机）最初被类似地标记为“2”，您应该按如下方式转换它们：

train_labels = keras.utils.to_categorical(train_labels, num_classes)
test_labels = keras.utils.to_categorical(test_labels, num_classes)

最后，在术语层面上，您正在做的是multi-class，而不是多标签分类（我已经编辑了您的帖子的标题） - 最后一个术语用于样本可能属于多个类别的问题同时。