多標籤分類：如何學習閾值？

Question

我有一個很深的CNN，適用於多類分類。我想「升級」挑戰並在多標籤分類問題上進行培訓。

要做到這一點我代替我的SOFTMAX通過乙狀結腸，試圖培養我的網絡，以儘量減少：

tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(labels=y_, logits=y_pred) 

但我結束了怪異的預測：

Prediction for Im1 : [ 0.59275776 0.08751075 0.37567005 0.1636796 0.42361438 0.08701646 

0.38991812 0.54468459 0.34593087 0.82790571]

Prediction for Im1 : [ 0.52609032 0.07885984 0.45780018 0.04995904 0.32828355 0.07349177 

0.35400775 0.36479294 0.30002621 0.84438241]

Prediction for Im1 : [ 0.58714485 0.03258472 0.3349618 0.03199361 0.54665488 0.02271551 

0.43719986 0.54638696 0.20344526 0.88144571]

所以我想我儘量讓我的網絡學習門檻爲每個類，以確定樣本屬於或不給TE類。

所以我將此添加到我的代碼：

initial = tf.truncated_normal([numberOfClasses], stddev=0.1) 
W_thresh = tf.Variable(initial) 

y_predict_thresh = int(y_predict > W_thresh) 

但是我有一個錯誤：

TypeError: int() argument must be a string or a number, not 'Tensor'. 

任何人有任何想法，以幫助我前進（如何避免這種錯誤，是我的數據集實際上是不平衡的這一事實導致了這種「不變的」預測？對於多標籤分類的其他建議？，...）？

謝謝

編輯：我只是意識到，這樣做的閾值可能不是反傳真的很酷：/

Answer 1

不知道如果你仍然需要它，但你可以使用tensorflow轉換功能tf.to_int32, tf.to_int64。在評估之前，你的表達式是python的一個對象，因此它不能簡單地將它轉換爲int()。

這確實你需要：

with tf.Session() as sess: 
    check = sess.run([tf.to_int64(W1 > W2)])