多分类 & 多标签 准确度计算

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/VioletHan7/article/details/82624057

多标签 V/S 多分类

多类分类(Multiclass classification):表示分类任务中有多个类别, 比如对一堆水果图片分类, 它们可能是橘子、苹果、梨等. 多类分类是假设每个样本都被设置了一个且仅有一个标签: 一个水果可以是苹果或者梨, 但是同时不可能是两者

1. 每个实例仅分配一个类别
2. 使用softmax系列损失函数
   softmax是张量中向量与向量间的运算。其中labels参数的shape=（None,num_classes），即one-hot表示。输出是shape=（None,）的交叉熵向量，即None个概率向量对的交叉熵构成的向量。

多标签分类(Multilabel classification): 给每个样本一系列的目标标签. 可以想象成一个数据点的各属性不是相互排斥的(一个水果既是苹果又是梨就是相互排斥的), 比如一个文档相关的话题. 一个文本可能被同时认为是宗教、政治、金融或者教育相关话题.
1. 每个实例可以分配多个类别
2. 使用sigmoid系列损失函数
sigmoid是张量中标量与标量间的运算。求的是两点分布B（1,z）和两点分布B（1，$\sigma$）之间的交叉熵。若sigmoid的labels和logits是相同shape的张量，输出结果则是与labels和logits有相同shape的张量。张量的每个元素都是labels和logits相对的值
按上述方法计算出来的交叉熵。