Machine learning 是否更改AlexNet/GoogleNet/ImageNet的输出层？
关于更改网络的输出层（AlexNet/GoogleNet/ImageNet），我有一个问题。因此，标准输出是1x1000向量，因此每个类有一个值 我知道我可以将输出更改为例如5，这样如果我只有5个类，我将得到1x5向量 但如果我没有课怎么办？是否可以将输出更改为类似18x18的矩阵。因为我的网络应该输出密度图，而不是“类”。 建议我使用预先训练过的网络来完成任务，还是应该从头开始训练 谢谢您的帮助：-） 但如果我没有课怎么办 “类”的概念实际上与体系结构无关，而是与损失函数本身有关。换句话说，如果您有1000个输出，那么无论您是想在1000个不相交的类中进行分类，分配1000个标记，还是在1000维的真实输出上进行回归，架构仍然是非常有意义的 是否可以将输出更改为类似18x18的矩阵 “天真”的方法是输出18*18=324个值，并将其视为二维矩阵。然而，2-DIM结构表明，在体系结构方面可以利用一些特性，一个典型的特征是平移不变性，它在VNETs中被利用，如果对于输出也是这样的话，你可以考虑对模型进行反褶积（因为有很多种）。 我的任务是否建议使用预训练的网络？还是我应该从头开始学习 这不取决于体系结构，而取决于任务。如果你的任务与给定网络训练的任务足够相似，你可以使用预先训练好的任务作为起点，对新任务进行“微调”。一般来说，使用预先训练过的网络作为起点是安全的（不应该比从头开始训练更糟糕）。记住训练整个网络，而不仅仅是增加部分（除非你没有足够的数据训练整个结构） 但如果我没有课怎么办 “类”的概念实际上与体系结构无关，而是与损失函数本身有关。换句话说，如果您有1000个输出，那么无论您是想在1000个不相交的类中进行分类，分配1000个标记，还是在1000维的真实输出上进行回归，架构仍然是非常有意义的 是否可以将输出更改为类似18x18的矩阵 “天真”的方法是输出18*18=324个值，并将其视为二维矩阵。然而，2-DIM结构表明，在体系结构方面可以利用一些特性，一个典型的特征是平移不变性，它在VNETs中被利用，如果对于输出也是这样的话，你可以考虑对模型进行反褶积（因为有很多种）。 我的任务是否建议使用预训练的网络？还是我应该从头开始学习 这不取决于体系结构，而取决于任务。如果你的任务与给定网络训练的任务足够相似，你可以使用预先训练好的任务作为起点，对新任务进行“微调”。一般来说，使用预先训练过的网络作为起点是安全的（不应该比从头开始训练更糟糕）。记住训练整个网络，而不仅仅是增加部分（除非你没有足够的数据训练整个结构）Machine learning 是否更改AlexNet/GoogleNet/ImageNet的输出层？,machine-learning,computer-vision,deep-learning,caffe,imagenet,Machine Learning,Computer Vision,Deep Learning,Caffe,Imagenet,关于更改网络的输出层（AlexNet/GoogleNet/ImageNet），我有一个问题。因此，标准输出是1x1000向量，因此每个类有一个值 我知道我可以将输出更改为例如5，这样如果我只有5个类，我将得到1x5向量 但如果我没有课怎么办？是否可以将输出更改为类似18x18的矩阵。因为我的网络应该输出密度图，而不是“类”。 建议我使用预先训练过的网络来完成任务，还是应该从头开始训练 谢谢您的帮助：-） 但如果我没有课怎么办 “类”的概念实际上与体系结构无关，而是与损失函数本身有关。换句话说，如