標準的な特徴ベクトルの集合を学習するためにニューラルネットワークを構築したいと考えています。したがって、集合は形状（N、100）であり、Nはサンプルの数である。しかしながら、ラベルのセットは形状（N×18）である（例えば、各「ラベル」は18個のエレメントの別のアレイである）。私はケラスや神経網には全く新しいものです。ラベルが1次元（例えば、バイナリ分類では0または1）の場合、ラベルをどのように扱うかしか分かりません。多次元出力にはどのように対処できますか？Keras：2D入力 - > 2D出力？
ありがとうございます！
多分私はその質問を完全に理解していないかもしれませんが、最も簡単な方法は18ニューロンの出力層を持つことでしょう。各ニューロンは1つの値を出力する。すなわち、出力は18の値のベクトルになる。
これを行う可能な方法の1つは、隠れ層を持つフィードフォワードニューラルネットワークである。 100個のニューロンを含む。このためにKerasにDense layerが必要です。
nb_hidden = 100
model = Sequential()
model.add(Dense(input_dim = 100, output_dim = nb_hidden)
model.add(Dense(output_dim = 18, activation = 'softmax')
model.compile(loss='categorical_crossentropy', optimizer='adadelta')
あなたが良好な結果を得るまで、隠れ層の数、一般的なネットワークトポロジ（例えばドロップアウト層を含む）と活性化関数を変化させることを検討してください。