6、深度神经网络：从多标签分类到图像分类的探索

深度神经网络：从多标签分类到图像分类的探索

1. DNN多标签多类分类器

在构建多类分类器DNN时，我们首先要设置具有多个特征的输入层和多个类别的输出层。接着，将激活函数从sigmoid改为softmax，损失函数设置为categorical_crossentropy，这通常是多类分类最推荐的损失函数。最后，使用Adam优化器（adam），它结合了rmsprop和adagrad等方法的优点，具有自适应学习率，被广泛认为是各类神经网络中一流的优化器。以下是构建多类分类器DNN的代码示例：

from tensorflow.keras import Sequential
from tensorflow.keras.layers import Dense

model = Sequential()
model.add(Dense(10, input_shape=(4,), activation='relu'))  
model.add(Dense(10, activation='relu'))
model.add(Dense(5, activation='softmax'))     
model.compile(loss='categorical_crossentropy', 
        optimizer='adam', 
        metrics=['accuracy'])    

当我们需要为每个输入预测两个或更多类别（标签）时，就会用到多标签多类分类器。例如，预测一个人的年龄类别（婴儿、幼儿等）和性别（男或女），输入是身高、体重和鼻子表面积，输出是年龄类别和性别。为了实现这一点，我们需要