多类别情况下最后一个密集输出层的单位

Question

我目前正在研究这个colab。任务是将句子分类到某个类别中。所以我们有一个多类别问题，而不是二元问题，比如根据某些评论句子预测评论的情绪（正面/负面）。在多个类别的情况下，我认为最后一层中的单元/神经元数量必须与我想要预测的类别数量相匹配。所以当我有一个二元问题时，我使用一个神经元，表示 0 或 1。当我有 5 个类时，我需要 5 个单元。我也这么想。

但是，在 colab 的代码中有以下内容：

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()

当我在此 colab 中运行 model.fit 代码部分时，它确实有效。但我不明白。当我检查

print(label_tokenizer.word_index)

print(label_tokenizer.word_docs)

print(label_tokenizer.word_counts)

这给

{'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)])

很明显是5个班级。但是，当我将模型调整为tf.keras.layers.Dense(5, activation='softmax')并运行 model.fit 命令时，它不起作用。准确度始终为 0。

为什么这里正确的是 6 而不是 5？

Answer 1

是 6，因为编码目标在 [1,5] 中，但 keras sparse_cat 从 0 创建单热标签，因此它创建了另一个无用标签 (0)。使用Dense(5, activation='softmax')你可以简单地做 y-1 以获得 [0,4] 中的标签并让它们从 0 开始在 colab 链接之后，您可以更改：model = tf.keras.Sequential([&nbsp; &nbsp; tf.keras.layers.Embedding(vocab_size, embedding_dim, input_length=max_length),&nbsp; &nbsp; tf.keras.layers.GlobalAveragePooling1D(),&nbsp; &nbsp; tf.keras.layers.Dense(24, activation='relu'),&nbsp; &nbsp; 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)