在一个图像中对多个对象进行分类（不是检测！）是问题所在。我如何使用Keras来实现这一点？

例如，如果我有6个类别（狗、猫、鸟等），并且图像中有两个不同的对象（一只猫和一只鸟）。标签将是这种形式：[0,1,1,0,0,0]。推荐使用哪种指标、损失函数和优化器？我想使用CNN。

回答：

关键词是“多标签分类”。在输出层，你有多个神经元，每个神经元代表你的一个类别。

现在，你应该对每个神经元独立地使用二分类。所以，如果你有3个类别，你的网络输出可能是[0.1, 0.8, 0.99]，这意味着以下内容：第一类别对你的图像的概率为10%是真的，第二类别为80%，最后一类别为99%。因此，网络决定对于单个输入图像同时有两个类别是真的！

将这实现到Keras/Tensorflow中非常简单。你可以使用binary_crossentropy作为你的损失函数，并在最后一层使用Sigmoid函数作为激活函数。因此，每个输出神经元的值将在区间(0, 1)内。作为指标，你可以使用准确率，它会告诉你有多少图像被正确分类（作为相对频率）。

请看以下示例：

from tensorflow.keras.layers import *from tensorflow.keras.activations import *from tensorflow.keras.models import *from tensorflow.keras.optimizers import *import numpy as np# 把你的数据放在这里:num_classes = 3 # 这里我假设有3个类别，例如狗、猫和鸟x_train = np.zeros((100, 128, 128, 3)) # 我只是使用零来简化示例y_train = np.zeros((100, num_classes))model = Sequential()# 把你的卷积层/卷积块放在这里:model.add(Conv2D(32, kernel_size=3, activation='relu', input_shape=(128, 128, 3)))model.add(Flatten())model.add(Dense(units=num_classes, activation='sigmoid'))    model.compile(        loss="binary_crossentropy",        optimizer=Adam(0.005),        metrics=["accuracy"])training_history = model.fit(x=x_train, y=y_train, epochs=5)

我使用的是Tensorflow 2.2.0。我希望这对你有帮助 🙂