Python PocketFlow是否支持图像中对象识别以外的其他数据集？

我在tensorflow中有一个神经网络用于经典的信道估计，我想对它进行压缩。该网络是一个简单的全连接“去噪”网络，由十层、48x1输入和48x1输出组成。该网络很容易解决具有均方误差的经典问题x=H*y，其中x已知并放入NN（可以看作是图像数据），y应该是最佳结果（可以看作是适合特定x的标签）。因此，NN应以尽可能小的mse（当输入x时）求解y。（我希望这是清楚的，否则请告诉我）

我用优化器='rmsprop'，loss='mse'对这个网络进行了TF培训。 我的培训计划是这样的，有2000个培训样本

epochs=100,batch_size=32_1_1
epochs=100,batch_size=32_2_1
epochs=100,batch_size=32_4_1
epochs=100,batch_size=32_8_1
epochs=100,batch_size=32_16_1

现在我想知道是否有可能用PocketFlow框架的数据集压缩这个网络

我已经阅读了“自定义模型”部分。从这里很容易定义“网络定义”文件（因为我的模型是在TF中制作的。但我认为我应该更改损失函数？因为它特别适用于CNN的softmax？（我只使用mse来最小化x和y之间的差异）.那么准确度呢？我从未使用过这样的测量。我应该如何更改设置速率函数以进行与上述类似的培训

此外，“网络定义”看起来也不难更改。我已经加载了数据，然后解析为numpy数组（x和y都是相同的）.但现在是棘手的部分。首先，我没有任何课程……此外，我应该如何选择我的培训样本、验证样本和评估样本？我以前只接受过2000个样本的培训。此外，我应该如何选择批次大小和批次大小评估？我总是使用1000个样本进行预测。我需要做更多更改吗事情

目前，if已经完成了上述操作，并且运行时没有任何错误。但是损失看起来与我在TF中所做的完全不同。因此，我真的不知道性能是否得到了正确的测量，甚至不知道是否在框架内部正确地应用来更改所有权重和偏差？也许甚至不可能使用此框架是否使用图像中对象识别以外的其他数据集

希望收到任何人的来信