Multi label 多标签分类问题

标签：bat   inf   variable   rop   nbsp   oat   bin   图片   batch   

调用函数

Pytorch使用torch.nn.BCEloss

Tensorflow使用tf.losses.sigmoid_cross_entropy

在output和target之间构建binary cross entropy，其中i为每一个类。

m = nn.Sigmoid()
loss = nn.BCELoss()
input = autograd.Variable(torch.randn(3), requires_grad=True)
target = autograd.Variable(torch.FloatTensor(3).random_(2))
output = loss(m(input), target)
output.backward()

注意target的形式，要写成01编码形式，eg：如果同时为第一类和第三类则，[1, 0, 1]

主要是结合sigmoid来使用，经过classifier分类过后的输出为（batch_size，num_class）为每个数据的标签, 标签不是one-hot的主要体现在sigmoid(output)之后进行bceloss计算时：sigmoid输出之后，仍然为（batch_size，num_class），但是是每个类别的分数，对于一个实例，它的各个label的分数加起来不一定要等于1，bceloss在每个类维度上求cross entropy loss然后加和求平均得到，这里就体现了多标签的思想。

[CVPR2015] Is object localization for free? – Weakly-supervised learning with convolutional neural networks这篇论文里设计了针对多标签问题的loss，传统的类别分类不适用，作者把这个任务视为多个二分类问题，loss function和分类的分数如下：

Multi label 多标签分类问题

标签：bat   inf   variable   rop   nbsp   oat   bin   图片   batch   

原文地址：https://www.cnblogs.com/demian/p/9674204.html