Neural network 如何使用Caffe暹罗CNN加强表示标签概率的特征向量？_Neural Network_Deep Learning_Caffe_Conv Neural Network_Pycaffe

Neural network 如何使用Caffe暹罗CNN加强表示标签概率的特征向量？

neural-network deep-learning

Neural network 如何使用Caffe暹罗CNN加强表示标签概率的特征向量？,neural-network,deep-learning,caffe,conv-neural-network,pycaffe,Neural Network,Deep Learning,Caffe,Conv Neural Network,Pycaffe,有关如果我有N标签。我怎样才能确保对比损失层之前的大小N的特征向量代表每个类别的某种概率？或者说，暹罗网络设计会自动实现这一点？如果你只在暹罗网络中使用对比损失，就没有办法强迫网络分类到正确的标签中——因为网络只使用“相同/不相同”信息进行训练，并且不知道不同类别的语义您可以使用多个损耗层进行培训。您的目标应该是训练一种对您的领域足够有用的特征表示，以便查看某些输入（在某些高维中）的经过训练的特征向量，您应该能够轻松地将该输入分类到正确的类中。此外，考虑到两个输入的特征表示，应该能够很容易

有关

如果我有

标签。我怎样才能确保对比损失层之前的大小

的特征向量代表每个类别的某种概率？或者说，暹罗网络设计会自动实现这一点？

如果你只在暹罗网络中使用对比损失，就没有办法强迫网络分类到正确的标签中——因为网络只使用“相同/不相同”信息进行训练，并且不知道不同类别的语义

您可以使用多个损耗层进行培训。
您的目标应该是训练一种对您的领域足够有用的特征表示，以便查看某些输入（在某些高维中）的经过训练的特征向量，您应该能够轻松地将该输入分类到正确的类中。此外，考虑到两个输入的特征表示，应该能够很容易地说出它们是“相同”还是“不相同”。
因此，我建议您使用两个损耗层来训练您的深层网络，并将

“bottom”

作为其中一个

“InnerProduct”

层的输出。一个损失是对比损失。另一个损耗应具有另一个

“InnerProduct”

层，该层具有

num\u输出：N

和

“SoftmaxWithLoss”

层

在这项工作中使用了类似的概念：

所以我的网中有某种叉子，最后落在那两个损失层？例如，我将fc7作为对比损耗的输入，另一个fc8作为softmax损耗的输入，fc8本身将fc7作为输入。@Feuerteufel完全正确！请注意，您需要向每个损耗层添加

loss\u weight

参数-它们可能对总体损耗产生不同的影响。你可以优先考虑对比损失，反之亦然。给予两者相同的权重是否有（不利）的优势？最后我想有一个好的分类器。两个损耗层是否都有fc8作为输入，或者在进入SoftMax层之前是否有必要再增加一层？@Feuerteufel（1）关于

损耗(weight)

我想你必须试着看看是否有一个损耗主导了整个过程。。。（2）在

fc7

上训练对比损失更一般，但我可以看到它也在

fc8

上工作。我想你得试试看。如果你能回到这里，发表你的见解与我们分享，那就太好了。明白了，忘记了在重建caffe之前进行清理，现在它开始工作了。