摘要
深度学习与人物穿着的服装图像分类相结合是当前研究的热点之一，但目前服装图像分类主要是分单个标签单独处理。 现实生活中，随着网购等服装商务新模式的出现，复杂决策的迫切需求，单标签服装图像分类已经不能解决问题，多标签服装图像分类成为重要的学习问题，显示出巨大的应用价值。 多标签服装图像分类的目标是预测各服装图像的一组服装属性标签。
1.http://www.Sina.com/multi-labelclassificationproblem :称为多标签分类或多标签分类。 指出一个样本的标签数目为多个，即一个样本对应于多个标签。
为了便于理解多标签，举个例子吧。 http://www.Sina.com/http://www.Sina.com/的http://www.Sina.com /
黑色粗体字体的标签可以设置如下：
黑色
蓝色的
德里斯
简。
红色
超人力霸王
电子邮件
文件
.可以在“female”“red”shirt”01100001 . multilabelbinarizer ()”的fit中获得上述label的代码。
2. 多标签分类定义
传统上，在实现多分类任务时，经常使用softmax函数，其输出如下：
z=NP.array ([-1.0，5.0，- 0.5，5.0，-0.5] ) print(softmax_sim(z ) ) #输出为[0. 00123281.49735104.0020303 这显然不是我们想要的，因为样本属于每个标签的概率应该是独立的。 因此，完成整个模型的构建后，最后一步最重要的是为编译模型选择损失函数。 多标签分类经常使用binary_crossentropy损失，而不是在多类分类中使用categorical_crossentropy损失函数。 虽然这可能看起来不合理，但由于每个输出节点都是独立的，因此选择二元丢失并将网络输出建模为每个标签的独立伯努利分布。 多标签分类的整个模型如下。
from keras.modelsimportmodelfromkeras.layersimportinput，denseinputs=input(shape=(10， ) )隐藏=dense ) ) units=activation='relu'(inputs ) output=dense(units=5，activation='sigmoid ' ) hidden
女性蓝色裙子： female_bule_dress:415条
女性蓝色t袖： female_bule_shirt:311件
女性红裙子： female_red_dress:259件
男性黑色t袖： male_black_shirt:257件
男性蓝色t袖： male_bule_shirt:247件
男性红色t袖： male_bule_shirt:194件
4 .模型实现与训练classsmallervgnet : @ staticmethoddefbuild (width，height，depth，classes，final act=' soft max ' (3: ) width，depth ) chandim=-1 ifk.image _ data _ format (==' channels _ first ' : input shape=(depth，height，wigh ) padding='same '，input_shape=inputShape ) (model.add ) activation('relu ' ) model.add ) batchnormalization 3 3 )、padding='same ' ) (model.add(activation ) relu ) (model.add ) batch normalization (axis=chandim ) ) (model ) (model.add(activation ) relu ) ) model.add ) batch normalization (axis=chandim ) ) model.add () 3 )、padding='same ' ) (model.add(activation ) relu ) (model.add ) batch normalization (axis=chandim ) ) (model ) (model.add(activation ) relu ) ) model.add ) batch normalization (axis=chandim ) ) model.add () odel.add ) activation ) ) activation model.add(dropout ) 0.5 ) model.add (dense ) classes (model.add ) activation )
5 .实验结果展示
从上面的损失图可以看出，训练损失在20个epoch结束前非常平稳地下降。 但是，验证损失图会有很大的变动。 训练时间在20个以上的epoch似乎会引起过度的拟合。 最终，使用测试函数进行了测试。
数据集下载链接： https://download.csdn.net/download/weixin _ 40651515/22284807
数据集和代码下载资源： https://download.csdn.net/download/weixin _ 40651515/22286694
代码执行环境配置： python3.6.5、tensorflow==1.12、keras==2.2.4