Comment faire une classification d'image multi-classe dans keras?

Question

Voici ce que j'ai fait. J'ai obtenu le code pour la classification d'image de chien/chat et j'ai compilé et couru et ai obtenu l'exactitude de 80%. J'ai ajouté un dossier de classe (avion) ​​au dossier de train et de validation. Les modifications apportées dans les codes suivants

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') 

changé binary class_mode-categorical et aussi la perte de categorical_crossentropy. Modification également la mise en page de sortie sigmoid à softmax. Reçoit l'erreur suivante. Dois-je modifier explicitement les étiquettes d'apprentissage pour les catégoriques comme mentionné ci-dessous? (Je l'ai lu ce à partir du site multilabel classification using keras)

train_labels = to_categorical(train_labels, num_classes=num_classes) 

Je ne sais pas ce qui se passe ici. S'il vous plaît aider. Je suis relativement nouveau à l'apprentissage en profondeur.

modèle

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

Pour la classification multi-classe, la dernière couche dense doit avoir un certain nombre de noeuds égal au nombre de classes, suivi par softmax activation, à-dire les deux dernières couches de votre modèle devrait être:

model.add(Dense(num_classes)) 
model.add(Activation('softmax')) 

En outre, vos étiquettes (deux trains et de test) doit être encodée un chaud; donc, en supposant que vos chats et les chiens initiaux ont été étiquetés comme des entiers (0/1), et votre nouvelle catégorie (avion) ​​est d'abord marqué de la même « 2 », vous devez les convertir comme suit:

train_labels = keras.utils.to_categorical(train_labels, num_classes) 
test_labels = keras.utils.to_categorical(test_labels, num_classes) 

Enfin , au niveau terminologique, ce que vous faites est multi-classe, et non la classification multi-étiquettes (j'ai édité le titre de votre message) - le dernier terme est utilisé pour les problèmes où les échantillons peuvent appartenir à plus d'un catégories

Answer 2

Pour la classification des étiquettes multiples, la taille de la dernière couche d'un NN doit être égal au nombre de classes.

F.i. pour votre problème (3 classes), le code devrait ressembler à ceci:

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'))