多个正分类的 Tensorflow 损失计算
Tensorflow loss calculation for multiple positive classifications
我的标签是这样的
label = [0, 1, 0, 0, 1, 0]
意味着 类 1, 4 出现在匹配的样本输入中。
- 如何为这样的标签创建单热编码标签？
- 哪种损失函数更适合这种情况（Sigmoid 交叉熵、softmax 交叉熵或稀疏 softmax 交叉熵）？
没有充分的理由创建一个 one-hot 编码版本，如果你想保持输出标签大小完全相同，即 6 在你的情况下，你不能做它的 one-hot 编码版本。
要完成multi-label classification的地方，你不能（更恰当地说不应该）使用softmax作为激活。 Softmax 适用于只有一个输出可以是真值的情况。因此，在您的情况下，最好使用 sigmoid cross-entropy.
我的标签是这样的
label = [0, 1, 0, 0, 1, 0]
意味着 类 1, 4 出现在匹配的样本输入中。
- 如何为这样的标签创建单热编码标签？
- 哪种损失函数更适合这种情况（Sigmoid 交叉熵、softmax 交叉熵或稀疏 softmax 交叉熵）？
没有充分的理由创建一个
one-hot编码版本，如果你想保持输出标签大小完全相同，即6在你的情况下，你不能做它的one-hot编码版本。要完成
multi-label classification的地方，你不能（更恰当地说不应该）使用softmax作为激活。Softmax适用于只有一个输出可以是真值的情况。因此，在您的情况下，最好使用sigmoid cross-entropy.