Networking 卷积神经网络回归的结构
我想使用AlexNet体系结构来解决回归问题,该问题最初用于分类任务。 此外,对于学习步骤,我想包括一个批量大小参数 所以我有几个问题:Networking 卷积神经网络回归的结构,networking,machine-learning,deep-learning,regression,conv-neural-network,Networking,Machine Learning,Deep Learning,Regression,Conv Neural Network,我想使用AlexNet体系结构来解决回归问题,该问题最初用于分类任务。 此外,对于学习步骤,我想包括一个批量大小参数 所以我有几个问题: 为了实现回归,我需要在网络体系结构中改变什么?正是在最后一层,损失函数或其他东西 如果我使用5的批量大小,最后一层的输出大小是多少 谢谢 分享以下内容会很有帮助: Q框架:您正在使用哪个深度学习框架和/或共享您需要帮助修改的特定代码 A:例如TensorFlow、PyTorch、Keras等 Q损失类型,输出大小:您试图通过回归实现的任务是什么?这将影响
- 为了实现回归,我需要在网络体系结构中改变什么?正是在最后一层,损失函数或其他东西
- 如果我使用5的批量大小,最后一层的输出大小是多少李>
谢谢 分享以下内容会很有帮助:
- Q框架:您正在使用哪个深度学习框架和/或共享您需要帮助修改的特定代码 A:例如TensorFlow、PyTorch、Keras等
- Q损失类型,输出大小:您试图通过回归实现的任务是什么?这将影响您想要使用的损耗类型、输出维度、VGGnet的微调等
A:例如,灰度图像的自动着色(这里是一个)是一个回归任务的示例,您可以尝试从单色图像回归RGB通道像素值。您可能会有L2损失(或其他一些性能改进损失)。输出大小应独立于批次大小,它将由最后一层的输出大小决定(即
)。批量大小是一个培训参数,您可以更改它,而无需更改模型体系结构或输出维度预测op