如何在keras中进行多级图像分类？

Question

这是我做的。我得到了狗/猫图像分类的代码，我编译并运行了80％的准确性。我添加了一个班级（飞机）文件夹到火车和验证文件夹。在下面的代码

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') 

所做的变更binary class_mode到categorical也损失categorical_crossentropy。还将输出布局sigmoid更改为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？

train_labels = to_categorical(train_labels, num_classes=num_classes) 

（我从网站multilabel classification using keras阅读），我不知道这里发生了什么。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，最后的致密层必须具有多个节点等于类的数量，其次是softmax激活，即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（包括培训和测试）必须是一位热编码;因此，假设您最初的猫狗被打成整数（0/1），和新的类别（飞机）最初同样标注为“2”，你应该将它们转换如下：

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，您正在做的是多类，而不是多标签分类（我已编辑了您的文章的标题） - 最后一个术语用于样本可能属于多个问题的问题类别。

Answer 2

对于多标签分类，一个NN的最后一层的尺寸必须相等的类的数量。

F.i.您的问题（3班），代码应该是这样的：

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(3)) 
model.add(Activation('softmax'))