যদি নতুন বিভাগগুলি খুব কমই আগত হয় তবে আমি নিজে @ ওডাব্লু_আর সরবরাহকৃত "একটি বনাম সমস্ত" সমাধানটি পছন্দ করি । প্রতিটি নতুন বিভাগের জন্য, আপনি নতুন বিভাগ (শ্রেণি 1) থেকে এক্স সংখ্যার নমুনা এবং বাকী বিভাগগুলির (শ্রেণি 0) থেকে এক্স সংখ্যার নমুনা সম্পর্কে একটি নতুন মডেলকে প্রশিক্ষণ দিন।
তবে, যদি নতুন বিভাগগুলি ঘন ঘন আগমন করে এবং আপনি একটি একক ভাগ করা মডেল ব্যবহার করতে চান তবে নিউরাল নেটওয়ার্কগুলি ব্যবহার করে এটি সম্পন্ন করার একটি উপায় রয়েছে।
সংক্ষেপে, একটি নতুন বিভাগের আগমনের পরে, আমরা শূন্য (বা এলোমেলো) ওজন সহ সফটম্যাক্স স্তরটিতে একটি নতুন নোড যুক্ত করি এবং পুরাতন ওজন অক্ষত রাখি, তারপরে আমরা নতুন ডেটা দিয়ে বর্ধিত মডেলটিকে প্রশিক্ষণ দেব। ধারণার জন্য এখানে একটি ভিজ্যুয়াল স্কেচ দেওয়া হয়েছে (নিজের দ্বারা আঁকা):
সম্পূর্ণ দৃশ্যের জন্য এখানে একটি বাস্তবায়ন দেওয়া হল:
মডেল দুটি বিভাগে প্রশিক্ষিত হয়,
একটি নতুন বিভাগ আগত,
মডেল এবং লক্ষ্য বিন্যাসগুলি সেই অনুযায়ী আপডেট করা হয়,
মডেল নতুন ডেটা সম্পর্কে প্রশিক্ষিত হয়।
কোড:
from keras import Model
from keras.models import Sequential
from keras.layers import Dense
from keras.optimizers import Adam
from sklearn.metrics import f1_score
import numpy as np
# Add a new node to the last place in Softmax layer
def add_category(model, pre_soft_layer, soft_layer, new_layer_name, random_seed=None):
weights = model.get_layer(soft_layer).get_weights()
category_count = len(weights)
# set 0 weight and negative bias for new category
# to let softmax output a low value for new category before any training
# kernel (old + new)
weights[0] = np.concatenate((weights[0], np.zeros((weights[0].shape[0], 1))), axis=1)
# bias (old + new)
weights[1] = np.concatenate((weights[1], [-1]), axis=0)
# New softmax layer
softmax_input = model.get_layer(pre_soft_layer).output
sotfmax = Dense(category_count + 1, activation='softmax', name=new_layer_name)(softmax_input)
model = Model(inputs=model.input, outputs=sotfmax)
# Set the weights for the new softmax layer
model.get_layer(new_layer_name).set_weights(weights)
return model
# Generate data for the given category sizes and centers
def generate_data(sizes, centers, label_noise=0.01):
Xs = []
Ys = []
category_count = len(sizes)
indices = range(0, category_count)
for category_index, size, center in zip(indices, sizes, centers):
X = np.random.multivariate_normal(center, np.identity(len(center)), size)
# Smooth [1.0, 0.0, 0.0] to [0.99, 0.005, 0.005]
y = np.full((size, category_count), fill_value=label_noise/(category_count - 1))
y[:, category_index] = 1 - label_noise
Xs.append(X)
Ys.append(y)
Xs = np.vstack(Xs)
Ys = np.vstack(Ys)
# shuffle data points
p = np.random.permutation(len(Xs))
Xs = Xs[p]
Ys = Ys[p]
return Xs, Ys
def f1(model, X, y):
y_true = y.argmax(1)
y_pred = model.predict(X).argmax(1)
return f1_score(y_true, y_pred, average='micro')
seed = 12345
verbose = 0
np.random.seed(seed)
model = Sequential()
model.add(Dense(5, input_shape=(2,), activation='tanh', name='pre_soft_layer'))
model.add(Dense(2, input_shape=(2,), activation='softmax', name='soft_layer'))
model.compile(loss='categorical_crossentropy', optimizer=Adam())
# In 2D feature space,
# first category is clustered around (-2, 0),
# second category around (0, 2), and third category around (2, 0)
X, y = generate_data([1000, 1000], [[-2, 0], [0, 2]])
print('y shape:', y.shape)
# Train the model
model.fit(X, y, epochs=10, verbose=verbose)
# Test the model
X_test, y_test = generate_data([200, 200], [[-2, 0], [0, 2]])
print('model f1 on 2 categories:', f1(model, X_test, y_test))
# New (third) category arrives
X, y = generate_data([1000, 1000, 1000], [[-2, 0], [0, 2], [2, 0]])
print('y shape:', y.shape)
# Extend the softmax layer to accommodate the new category
model = add_category(model, 'pre_soft_layer', 'soft_layer', new_layer_name='soft_layer2')
model.compile(loss='categorical_crossentropy', optimizer=Adam())
# Test the extended model before training
X_test, y_test = generate_data([200, 200, 0], [[-2, 0], [0, 2], [2, 0]])
print('extended model f1 on 2 categories before training:', f1(model, X_test, y_test))
# Train the extended model
model.fit(X, y, epochs=10, verbose=verbose)
# Test the extended model on old and new categories separately
X_old, y_old = generate_data([200, 200, 0], [[-2, 0], [0, 2], [2, 0]])
X_new, y_new = generate_data([0, 0, 200], [[-2, 0], [0, 2], [2, 0]])
print('extended model f1 on two (old) categories:', f1(model, X_old, y_old))
print('extended model f1 on new category:', f1(model, X_new, y_new))
কোন ফলাফল:
y shape: (2000, 2)
model f1 on 2 categories: 0.9275
y shape: (3000, 3)
extended model f1 on 2 categories before training: 0.8925
extended model f1 on two (old) categories: 0.88
extended model f1 on new category: 0.91
এই আউটপুট সম্পর্কে আমার দুটি বিষয় ব্যাখ্যা করা উচিত:
মডেল কর্মক্ষমতা থেকে কমেছে 0.9275
করতে 0.8925
নিছক একটি নতুন নোড যোগ করে। এটি কারণ নতুন নোডের আউটপুটও বিভাগ নির্বাচনের জন্য অন্তর্ভুক্ত। অনুশীলনে, নতুন নোডের আউটপুট কেবলমাত্র আকারের নমুনায় প্রশিক্ষণ দেওয়ার পরে অন্তর্ভুক্ত করা উচিত। উদাহরণস্বরূপ, আমাদের [0.15, 0.30, 0.55]
এই পর্যায়ে প্রথম দুটি এন্ট্রি , অর্থাৎ ২ য় শ্রেণীর বৃহত্তম হওয়া উচিত ।
দুটি (পুরানো) বিভাগে বর্ধিত মডেলের পারফরম্যান্স 0.88
পুরানো মডেলের চেয়ে কম 0.9275
। এটি সাধারণ, কারণ এখন বর্ধিত মডেল দুটিয়ের পরিবর্তে তিনটি বিভাগের একটিতে একটি ইনপুট বরাদ্দ করতে চায়। এই হ্রাস এছাড়াও প্রত্যাশিত যখন আমরা "একটি বনাম সমস্ত" পদ্ধতির দুটি বাইনারি শ্রেণিবদ্ধের তুলনায় তিনটি বাইনারি শ্রেণিবদ্ধ নির্বাচন করি।