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：

• 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

  预测op

  ）。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

---

谢谢您的回答！-我正在研究TensorFlow 1.3——我想用回归法来估计年龄，所以在输出中我只期望一个年龄。因为我有一个小数据集，所以我对网络进行了微调。我的工作基础是[.在这种情况下，最后一个完全连接/密集的层可以被输出维度为1的层替换，并且损失可能是预测输出和实际年龄之间的L2损失。但是，在Imagenet上训练的预训练AlexNet对于视觉任务非常有用，在视觉任务中，可以通过微调或转移学习受益。我建议重新训练评估使用Imagenet预训练网络进行多年回归任务的必要性。仅供参考-该链接似乎是断断续续的，很好的链接。好吧！如果我理解清楚，层fc8（您可以打开名为“alexnet.py”的文件）可以替换为“self.fc8=fc（dropout7，4096，num_out=1，relu=True，name='fc8'）”？你认为使用VGG更好吗？当我谈到使用预训练的CNN架构的好处时，我应该更清楚。使用预训练的网络和微调的好处是因为这有助于减少训练时间，并有可能提高视觉任务的性能。这是因为人们期望CNN体系结构中的多个层学习了分层表示，如早期层中的边缘检测器和gabor滤波器，后期层中的更复杂结构等。利用这些权重为视觉任务（如定位、检测或分割等）提供了很大的优势。然而，在回归年龄的任务中，I我不确定使用预训练权重和微调是否有优势。如果结果证明它有益，那将是一个很好的实验和有趣的结果，尽管我对此表示怀疑。