Neural network 如果除了方向之外，大小也很重要，那么如何用神经网络对标量值进行建模
假设您希望根据一些输入数据预测温度变化。温度变化是平均值为零的正或负标量。如果方向很重要，就可以在输出层使用tanh作为激活函数。但是对于三角洲温度来说，预测变化的幅度也很重要，而不仅仅是信号 您将如何对此输出进行建模。Tanh似乎不是一个好的选择，因为它给出的值介于-1和1之间。比如说，温度变化有一个高斯分布，或者其他一些奇怪的分布，所以在tanh（+-0）的中心准线性区域徘徊对于神经网络来说是很难学习的。我担心信号是好的，但输出的幅度是无用的 让网络输出一个长度为N的热向量如何，将此输出向量的argmax视为预定义窗口上的温度变化。假设窗口为-30-+30度，使用N=60长的一个热向量，如果argmax（输出）=45，则表示预测约为15度Neural network 如果除了方向之外，大小也很重要，那么如何用神经网络对标量值进行建模,neural-network,activation-function,Neural Network,Activation Function,假设您希望根据一些输入数据预测温度变化。温度变化是平均值为零的正或负标量。如果方向很重要，就可以在输出层使用tanh作为激活函数。但是对于三角洲温度来说，预测变化的幅度也很重要，而不仅仅是信号 您将如何对此输出进行建模。Tanh似乎不是一个好的选择，因为它给出的值介于-1和1之间。比如说，温度变化有一个高斯分布，或者其他一些奇怪的分布，所以在tanh（+-0）的中心准线性区域徘徊对于神经网络来说是很难学习的。我担心信号是好的，但输出的幅度是无用的 让网络输出一个长度为N的热向量如何，将此输出向量
实际上，我不确定如何搜索此主题。您可以使用线性输出，这可能会对您遇到的问题类型表现良好。如果线性输出的性能不好，您也可以尝试使用带缩放因子的tanh输出，因此输出介于-scalingFactor和+scalingFactor之间。为什么不将其视为回归问题？