我将如何格式化我的数据以使其与 Keras 一起使用？

您在输出层中的训练标签应该是一个二进制向量，1 表示存在的类，0 表示不存在的类。例如，假设您有 3 类类型 - 喜剧、浪漫和恐怖。有很多方法可以做到这一点，Scikit-learn 有一种方法可以让它变得非常简单，我将在下面展示。

>>> from sklearn.preprocessing import MultiLabelBinarizer
>>> mlb = MultiLabelBinarizer()
>>> y = mlb.fit_transform([[0,2],[1]])
array([[1, 0, 1],
   [0, 1, 0]])

我最初考虑使用 softmax 层作为我的输出层，但由于一部电影可以有多个流派标签，我的输出应该如何？

这是我建议的一个简单的 Keras 示例。

>>> from keras.models import Sequential
>>> from keras.layers import Dense, Activation

>>> model = Sequential([
    Dense(32, input_dim=784),
    Activation('relu'),
    Dense(10),
    Activation('sigmoid'),
    ])
>>> model.compile(optimizer='rmsprop', loss='binary_crossentropy')
>>> model.fit(X_train, y_train)

请参阅此以获取更多信息。我使用了 sigmoid，因为它更适合多标签分类。

如果您可以分别拥有多个标签，您可以对输出层的每个类使用 sigmoid 激活函数，并使用正常二元交叉熵的总和作为损失函数。您只需使用带有二进制数的向量作为目标，对于每个标签，如果它包含标签，则为 1，如果不包含标签，则为 0。

您有不互斥的类标签，这意味着作为每个样本的标签，您的数据不会采用单热编码格式。每个输出向量可能有多个。在这种情况下，您不应该使用 soft-max 作为输出层。您必须对Sigmoid最后一层中的每个神经元使用激活函数。假设您有十个标签，对于一部典型的电影，每个标签都可能被激活。因此，在最后一层使用具有十个Sigmoid激活函数的密集层。你可以在这里看到这可能对你有帮助。

作为一个侧面答案，您将要使用的每个成本函数都应该是分类的，因为您有不同的类别。我非常尊重其他答案，并感谢他/她的答案，但我想您应该使用分类成本函数，否则代码将无法工作，因为您的输出矩阵实际上是样本矩阵而不是样本向量.