Neural network 如何考虑一个热向量的结果和正确桶之间的差异？
嗨，我在我的大学里使用tensorflow，试图仅使用模拟产生的图像对模拟程序的转向角进行分类 转向角是从-1到1的值，我将它们分为50个“铲斗”。所以我的预测向量的第一个值意味着预测的转向角在-1和-0.96之间。 下面显示了我正在使用的分类和优化函数Neural network 如何考虑一个热向量的结果和正确桶之间的差异？,neural-network,tensorflow,deep-learning,conv-neural-network,Neural Network,Tensorflow,Deep Learning,Conv Neural Network,嗨，我在我的大学里使用tensorflow，试图仅使用模拟产生的图像对模拟程序的转向角进行分类 转向角是从-1到1的值，我将它们分为50个“铲斗”。所以我的预测向量的第一个值意味着预测的转向角在-1和-0.96之间。 下面显示了我正在使用的分类和优化函数 cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(prediction, y)) optimizer = tf.train.AdamOptimizer(0.001).mi
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(prediction, y))
optimizer = tf.train.AdamOptimizer(0.001).minimize(cost)
我没有发布实际的网络，因为它只是一对conv2d和maxpool层，在最后有一个完全连接的层。因为您正在应用交叉熵或负对数似然。根据预测结果和基本事实，您正在惩罚系统
所以说，你的系统预测了50个类的输出的不同数字，最高的是25个类，但你的基本事实是26个类。因此，您的系统将获取26上的预测值，并调整参数，以便在下次看到此输入时在此输出上生成最大值 因为您正在应用交叉熵或负对数似然。根据预测结果和基本事实，您正在惩罚系统
所以说，你的系统预测了50个类的输出的不同数字，最高的是25个类，但你的基本事实是26个类。因此，您的系统将获取26上的预测值，并调整参数，以便在下次看到此输入时在此输出上生成最大值 你可以做两件基本的事情： 将y和预测值更改为-1..1范围内的标量；使损失函数为（y-预测）**2或其他形式。一个非常不同的模式，但可能更合理的一个热点
保留一个热目标和损耗，但有y=target*w，其中w是一个常数矩阵，大多数为零，对角线上为1s，下一对角线上为较小的值，元素（例如y（i）=target（i）*1.+target（i-1）*.5+target（i+1）*.5+…）；有点粗俗，但它应该收敛到合理的程度。你可以做两件基本的事情： 将y和预测值更改为-1..1范围内的标量；使损失函数为（y-预测）**2或其他形式。一个非常不同的模式，但可能更合理的一个热点
保留一个热目标和损耗，但有y=target*w，其中w是一个常数矩阵，大多数为零，对角线上为1s，下一对角线上为较小的值，元素（例如y（i）=target（i）*1.+target（i-1）*.5+target（i+1）*.5+…）；有点恶心，但应该是合理的。谢谢你的回答。我明白你们的意思，但你们会建议采取什么行动？谢谢你们的回答。我明白你的意思，但你会建议采取什么行动？是的，第一个选择也是我一直在考虑的。我现在的问题是，为了得到-1和1之间的值，我必须在输出层中使用什么激活函数。第二个选择真的很有趣。非常感谢，我会考虑的。是的，第一个选择也是我一直在考虑的。我现在的问题是，为了得到-1和1之间的值，我必须在输出层中使用什么激活函数。第二个选择真的很有趣。非常感谢你，我会考虑的。