Я подумал, что мы могли бы скомпилировать описание Caffeinated некоторых методов выполнения классификации нескольких категорий.
Под классификацией нескольких категорий я имею в виду: Входные данные, содержащие представления о множественных модельных категориях и/или просто классифицируемые в разных категориях вывода модели.
например. Изображение, содержащее кошку и собаку, будет выводить (в идеале) ~ 1 для категорий предсказания для кошки и собаки и ~ 0 для всех остальных.
-
Основываясь на этой статье, этот устаревший и закрытый PR и этот открытый PR, кажется, что caffe отлично умеет принимать метки. Правильно ли это?
-
Будет ли построение такой сети требовать использования нескольких нейронов (внутренний продукт → relu → внутренний продукт) и слоев softmax, как в страница 13 настоящего документа; или Caffe ip и softmax в настоящее время поддерживают несколько размеров ярлыков?
-
Когда я передаю свои метки в сеть, пример которой иллюстрирует правильный подход (если не оба)?:
например. Кошка ест яблоко Примечание: синтаксис Python, но я использую источник С++.
Столбец 0 - класс находится во вводе; Столбец 1 - Класс не вводится
[[1,0], # Apple [0,1], # Baseball [1,0], # Cat [0,1]] # Dog
или
Столбец 0 - Класс находится на входе
[[1], # Apple [0], # Baseball [1], # Cat [0]] # Dog
Если что-то не имеет ясности, пожалуйста, дайте мне знать, и я создам живописные примеры вопросов, которые я задаю.