基于LCPN方法的分层分类
目标：
我正在研究一个层次分类问题，并希望使用本地父节点分类器(使用Tensorflow的LCPN方法)来解决它。为了做到这一点，我必须创建基于层次数据集的本地分类器。
例如，：，我手动为CIFAR-10数据集创建了一个分层树结构，该数据集遵循这个纸。等级结构如下：
基于这个结构，它需要一个，总共需要6个局部分类器。
- 1级分类器：
- 用于分类运输和动物。
- 2级分类器：
- 1用于分类的类别-天空、水、道路(类别运输的子类)
- 1用于分类鸟类、爬行动物、每种、中等类(动物亚纲)
- 3级分类器：
- 1分类汽车和卡车(道路的子类)
- 1用于分类猫和狗(宠物类的子类)
- 1用于分类鹿和马(中等类的子类)
注意：，我想得到第3级(10个类)的所有预测。如果级别1的分类器输出级别2的类，该类在第3级中没有多个子类，则应该为该示例自动分配级别3中的相应类。例如:如果第一个分类器识别一个样本为传输，那么它将选择分类器来分类运输的子类(天空、水、道路)。如果二级分类器将该样本分类为天空，那么将不再需要另一个分类器来对子类进行分类，因为它只有一个子类，即类飞机。但是对于我的实现，我希望最终的预测是三级预测，输出是飞机。
执行情况：
为了实现这一点，到目前为止，我做了以下工作：
- 我已经使用
treelib从数据集中确定了本地分类器的数量和类的数量。它决定了本地分类器所需的输出数。 - 我正在使用
tf.data.Dataset.filter生成一个dataset管道，它将提供一个过滤的数据集来训练模型。因为我要用相关的样本来训练本地分类器。例如，用于确定级别1类传输的子类的分类器将使用级别1类传输下的所有类的样本进行培训。所以，我想过滤掉属于动物类或动物的任何亚类的样本。 - 在此之后，我必须实现一个决策树来从模型中进行预测。
现在，我正在为使用这种方法的实现而奋斗。对这种问题有什么更好的解决办法吗？或者有别的办法吗？
回答 1
Stack Overflow用户
发布于 2022-10-04 05:06:37
当您在一个输入中创建一个包含10个样本的初始信息时，您可以这样做，并在每个层中捕获结果。
你知道分类问题，你可以通过找到最大值或最小值、范围或临界值来进行分类。
为什么笔记本在WiFi上选择局域网接口？速度和优先级，甚至其中一些比LAN更快。
样本:每次你吃赫拉奇的时候都要打印出来。
import tensorflow as tf
class MyDenseLayer(tf.keras.layers.Layer):
def __init__(self, num_outputs):
super(MyDenseLayer, self).__init__()
self.num_outputs = num_outputs
def build(self, input_shape):
self.kernel = self.add_weight("kernel",
shape=[int(input_shape[-1]),
self.num_outputs])
def call(self, inputs):
return tf.matmul(inputs, self.kernel)
start = 3
limit = 33
delta = 3
# Create DATA
sample = tf.range(start, limit, delta)
sample = tf.cast( sample, dtype=tf.float32 )
# Initail, ( 10, 1 )
sample = tf.constant( sample, shape=( 10, 1 ) )
layer = MyDenseLayer(10)
data = layer(sample)
# Layer 1, ( 10, 2 )
layer = MyDenseLayer(2)
data = layer(data)
# Layer 2, ( 10, 7 )
layer = MyDenseLayer(7)
data = layer(data)
# Layer 3, ( 10, 10 )
layer = MyDenseLayer(10)
data = layer(data)
print( data )
https://stackoverflow.com/questions/73942276
复制相似问题
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号