前面两篇分别介绍了制作多标签数据,resnet多标签分类。接下来，我将介绍多标签分类的指标并分享一些关于多标签分类的细节，即如何操作可以提点。
在此之前，想提一下损失函数cross_entropy与binary_cross_entropy的区别，bce的公式如下，其中y是label，x是预测值，w是权重，y可以是soft label。
交叉熵的数学公式如上所示，P表示target，Q表示prediction，H就是交叉熵损失。在pytorch中可以调用 F.cross_entropy(input, target)来实现交叉熵损失的计算。其实分解一下就是下面的公式，先把prediction按照最后的dim求softmax，然后再求它们的log，最后，分别乘上对应的target就ok了。
loss = -label * F.log_softmax(pred, dim=-1)
binary_cross_entropy与cross_entropy最大的区别在于binary_cross_entropy没有采用softmax，而是使用了sigmoid来归一化prediction。在多标签分类中，这一点很重要，因为softmax.sum()=1，多标签中，一个图片存在多个属性，所以softmax.sum()=1的假设是不成立的。因此，多标签分类中会使用F.binary_cross_entropy_with_logits。
多标签分类评价指标
precision_class = tp.sum(axis=0) / np.maximum(tp.sum(axis=0) + fp.sum(axis=0), eps)
recall_class = tp.sum(axis=0) / np.maximum(tp.sum(axis=0) + fn.sum(axis=0), eps)
CP = precision_class.mean() * 100.0
CR = recall_class.mean() * 100.0
CF1 = 2 * CP * CR / np.maximum(CP + CR, eps)
OP = tp.sum() / np.maximum(tp.sum() + fp.sum(), eps) * 100.0
OR = tp.sum() / np.maximum(tp.sum() + fn.sum(), eps) * 100.0
OF1 = 2 * OP * OR / np.maximum(OP + OR, eps)
多标签分类的评价指标比较简单，一般我比较关注CP,CR，即平均准确率与召回率。在求CP,CR时，需要设置阈值thr（一般设置thr=0.5），tp是指预测值大于thr的正样本，fp指预测值大于thr的负样本，fn指预测值小于thr的正样本。准确率precision=tp/(tp+fp)，召回率=tp/(tp+fn)。
多标签分类tips
相信大家在做项目时都会遇到数据量不足，数据样本分布不均等问题。下面我结合自己的经验给大家提供一些tips
1.数据量有限时（train数据少于1w张时），小模型的效果会由于大模型（过拟合）。
2.使用ClassBalancedDataset，对样本少的类别重复采样，可以有效提高召回。
3.loss，我试验过focal loss，asymmetric loss，效果很差（召回很高，但是准确率低得离谱）。focal与 asymmetric loss都是为了降低负样本在loss的占比，从而平衡正负样本。asymmetric将gamma分为gamma+与gamma-，相较于focal loss中gamma=2来说，asymmetric更加夸张的降低了负样本的loss（因为我的数据类别分布极不均匀，在实验中，正样本loss大概是负样本loss的几十倍甚至几百倍），这就导致模型极度聚焦于正样本，模型只知道什么是正确的，对错误的并不care，因此recall提高了，precision却低的离谱。focal loss也存在这样的问题，但是alpha可以稍微缓解这样的情况。
4.魔改模型结构，注意力机制，dropout，框架等等各种，大家可以试试。