from keras.utils.np_utils import to_categorical

注意：當(dāng)使用categorical_crossentropy損失函數(shù)時(shí)，你的標(biāo)簽應(yīng)為多類模式，例如如果你有10個(gè)類別，每一個(gè)樣本的標(biāo)簽應(yīng)該是一個(gè)10維的向量，該向量在對(duì)應(yīng)有值的索引位置為1其余為0。

可以使用這個(gè)方法進(jìn)行轉(zhuǎn)換：

from keras.utils.np_utils import to_categorical
categorical_labels = to_categorical(int_labels, num_classes=None)

以mnist數(shù)據(jù)集為例：

from keras.datasets import mnist

(X_train, y_train), (X_test, y_test) = mnist.load_data()
y_train = to_categorical(y_train, 10)
y_test = to_categorical(y_test, 10)

...
model.compile(loss='categorical_crossentropy', optimizer='adam')
model.fit(X_train, y_train, epochs=100, batch_size=1, verbose=2)

補(bǔ)充知識(shí)：Keras中損失函數(shù)binary_crossentropy和categorical_crossentropy產(chǎn)生不同結(jié)果的分析

問題

在使用keras做對(duì)心電信號(hào)分類的項(xiàng)目中發(fā)現(xiàn)一個(gè)問題，這個(gè)問題起源于我的一個(gè)使用錯(cuò)誤：

binary_crossentropy 二進(jìn)制交叉熵用于二分類問題中，categorical_crossentropy分類交叉熵適用于多分類問題中，我的心電分類是一個(gè)多分類問題，但是我起初使用了二進(jìn)制交叉熵，代碼如下所示：

sgd = SGD(lr=0.003, decay=0, momentum=0.7, nesterov=False)
model.compile(loss='categorical_crossentropy',
  optimizer='sgd',metrics=['accuracy'])
model.fit(X_train, Y_train, validation_data=(X_test,Y_test),batch_size=16, epochs=20)
score = model.evaluate(X_test, Y_test, batch_size=16)

注意：我的CNN網(wǎng)絡(luò)模型在最后輸入層正確使用了應(yīng)該用于多分類問題的softmax激活函數(shù)

后來我在另一個(gè)殘差網(wǎng)絡(luò)模型中對(duì)同類數(shù)據(jù)進(jìn)行相同的分類問題中，正確使用了分類交叉熵，令人奇怪的是殘差模型的效果遠(yuǎn)弱于普通卷積神經(jīng)網(wǎng)絡(luò)，這一點(diǎn)是不符合常理的，經(jīng)過多次修改分析終于發(fā)現(xiàn)可能是損失函數(shù)的問題，因此我使用二進(jìn)制交叉熵在殘差網(wǎng)絡(luò)中，終于取得了優(yōu)于普通卷積神經(jīng)網(wǎng)絡(luò)的效果。

因此可以斷定問題就出在所使用的損失函數(shù)身上

原理

本人也只是個(gè)只會(huì)使用框架的調(diào)參俠，對(duì)于一些原理也是一知半解，經(jīng)過了學(xué)習(xí)才大致明白，將一些原理記錄如下：

要搞明白分類熵和二進(jìn)制交叉熵先要從二者適用的激活函數(shù)說起

激活函數(shù)

sigmoid, softmax主要用于神經(jīng)網(wǎng)絡(luò)輸出層的輸出。

softmax函數(shù)

softmax可以看作是Sigmoid的一般情況，用于多分類問題。

Softmax函數(shù)將K維的實(shí)數(shù)向量壓縮（映射）成另一個(gè)K維的實(shí)數(shù)向量，其中向量中的每個(gè)元素取值都介于 (0，1) 之間。常用于多分類問題。

sigmoid函數(shù)

Sigmoid 將一個(gè)實(shí)數(shù)映射到 (0,1) 的區(qū)間，可以用來做二分類。Sigmoid 在特征相差比較復(fù)雜或是相差不是特別大時(shí)效果比較好。Sigmoid不適合用在神經(jīng)網(wǎng)絡(luò)的中間層，因?yàn)閷?duì)于深層網(wǎng)絡(luò)，sigmoid 函數(shù)反向傳播時(shí)，很容易就會(huì)出現(xiàn)梯度消失的情況（在 sigmoid 接近飽和區(qū)時(shí)，變換太緩慢，導(dǎo)數(shù)趨于 0，這種情況會(huì)造成信息丟失），從而無法完成深層網(wǎng)絡(luò)的訓(xùn)練。所以Sigmoid主要用于對(duì)神經(jīng)網(wǎng)絡(luò)輸出層的激活。

分析

所以說多分類問題是要softmax激活函數(shù)配合分類交叉熵函數(shù)使用，而二分類問題要使用sigmoid激活函數(shù)配合二進(jìn)制交叉熵函數(shù)適用，但是如果在多分類問題中使用了二進(jìn)制交叉熵函數(shù)最后的模型分類效果會(huì)虛高，即比模型本身真實(shí)的分類效果好。

所以就會(huì)出現(xiàn)我遇到的情況，這里引用了論壇一位大佬的樣例：

model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy']) # WRONG way

model.fit(x_train, y_train,
   batch_size=batch_size,
   epochs=2, # only 2 epochs, for demonstration purposes
   verbose=1,
   validation_data=(x_test, y_test))

# Keras reported accuracy:
score = model.evaluate(x_test, y_test, verbose=0) 
score[1]
# 0.9975801164627075

# Actual accuracy calculated manually:
import numpy as np
y_pred = model.predict(x_test)
acc = sum([np.argmax(y_test[i])==np.argmax(y_pred[i]) for i in range(10000)])/10000
acc
# 0.98780000000000001

score[1]==acc
# False 

樣例中模型在評(píng)估中得到的準(zhǔn)確度高于實(shí)際測(cè)算得到的準(zhǔn)確度，網(wǎng)上給出的原因是Keras沒有定義一個(gè)準(zhǔn)確的度量，但有幾個(gè)不同的，比如binary_accuracy和categorical_accuracy，當(dāng)你使用binary_crossentropy時(shí)keras默認(rèn)在評(píng)估過程中使用了binary_accuracy，但是針對(duì)你的分類要求，應(yīng)當(dāng)采用的是categorical_accuracy，所以就造成了這個(gè)問題（其中的具體原理我也沒去看源碼詳細(xì)了解）

解決

所以問題最后的解決方法就是：

對(duì)于多分類問題，要么采用

from keras.metrics import categorical_accuracy
model.compile(loss='binary_crossentropy', 
 optimizer='adam', metrics=[categorical_accuracy])

要么采用

model.compile(loss='categorical_crossentropy',
optimizer='adam',metrics=['accuracy'])

以上這篇Keras中的多分類損失函數(shù)用法categorical_crossentropy就是小編分享給大家的全部?jī)?nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。

最新評(píng)論