我目前正在研究這個colab。任務是將句子分類到某個類別中。所以我們有一個多類別問題，而不是二元問題，比如根據某些評論句子預測評論的情緒（正面/負面）。在多個類別的情況下，我認為最后一層中的單元/神經元數量必須與我想要預測的類別數量相匹配。所以當我有一個二元問題時，我使用一個神經元，表示 0 或 1。當我有 5 個類時，我需要 5 個單元。我也這么想。但是，在 colab 的代碼中有以下內容：model = tf.keras.Sequential([ tf.keras.layers.Embedding(vocab_size, embedding_dim, input_length=max_length), tf.keras.layers.GlobalAveragePooling1D(), tf.keras.layers.Dense(24, activation='relu'), tf.keras.layers.Dense(6, activation='softmax')])model.compile(loss='sparse_categorical_crossentropy',optimizer='adam',metrics=['accuracy'])model.summary()當我在此 colab 中運行 model.fit 代碼部分時，它確實有效。但我不明白。當我檢查print(label_tokenizer.word_index)print(label_tokenizer.word_docs)print(label_tokenizer.word_counts)這給{'sport': 1, 'business': 2, 'politics': 3, 'tech': 4, 'entertainment': 5}defaultdict(<class 'int'>, {'tech': 401, 'business': 510, 'sport': 511, 'entertainment': 386, 'politics': 417})OrderedDict([('tech', 401), ('business', 510), ('sport', 511), ('entertainment', 386), ('politics', 417)])很明顯是5個班級。但是，當我將模型調整為tf.keras.layers.Dense(5, activation='softmax')并運行 model.fit 命令時，它不起作用。準確度始終為 0。為什么這里正確的是 6 而不是 5？
1 回答
BIG陽
TA貢獻1859條經驗 獲得超6個贊
是 6，因為編碼目標在 [1,5] 中，但 keras sparse_cat 從 0 創建單熱標簽，因此它創建了另一個無用標簽 (0)。
使用Dense(5, activation='softmax')你可以簡單地做 y-1 以獲得 [0,4] 中的標簽并讓它們從 0 開始
在 colab 鏈接之后，您可以更改：
model = tf.keras.Sequential([
tf.keras.layers.Embedding(vocab_size, embedding_dim, input_length=max_length),
tf.keras.layers.GlobalAveragePooling1D(),
tf.keras.layers.Dense(24, activation='relu'),
tf.keras.layers.Dense(5, activation='softmax')
])
model.compile(loss='sparse_categorical_crossentropy',optimizer='adam',metrics=['accuracy'])
history = model.fit(train_padded, training_label_seq-1, epochs=num_epochs, validation_data=(validation_padded, validation_label_seq-1), verbose=2)
添加回答
舉報
0/150
提交
取消