Python TensorFlow图像分类模型的均方误差

我试图教图像分类模型从图像中定义一个数字特征。我确信稀疏分类交叉熵损失函数对我不起作用，至于训练，我需要惩罚大的差异，而不是小的差异。理想情况下，我想使用均方误差损失函数

我使用TensorFlow教程来准备模型-

类名对我来说是数字，我尝试了以下选项：

• [00'，01'，02'，03'，04'，05'，06'，07'，08'，09'，10'，11'，12']
• ['0'，'1'，'2'，'3'，'4'，'5'，'6'，'7'，'8'，'9'，'10'，'11'，'12']

我对教程所做的唯一更改（数据集除外）是将SparseCategoricalCrossentropy损失函数交换为“均方误差”

但是损失函数显然不适合我。它返回的值会随着训练而变小，但准确率永远不会超过5%，甚至会随着损失值变小而下降。结果也没有意义。数据很好，使用SparseCategoric交叉熵损失函数很容易达到95%的准确率。我错过了什么

---

更新：我认为我真正需要的是一种在TensorFlow中使用数字标记的图像定义回归问题的方法。

结果表明，将图像分类问题转化为回归问题非常容易。针对上述教程，我必须进行以下更改：

数字为“类”（文件夹名称）的不同数据集

将损失函数更改为均方误差或其他适合回归的损失函数

为模型制作最后一层，仅使用1个神经元，而不是类数（并且没有softmax）：

预测结果的解释发生变化：

 ...
 predictions = model.predict(img_array)
 # score = tf.nn.softmax(predictions[0])    # correct for classification, but not regression
 score = predictions.flatten()[0]    # correct result for regression
 ...

---

MSE不是分类损失。请看，我看到了。看来，我不需要分类损失。那我需要什么？可以在图像模型上使用回归损失吗？你说的“图像模型”是什么意思？损失是由你试图解决的问题类型来定义的；如果这是一个分类问题，您不能使用MSE或其他适合回归的损失。我认为我需要的是一种使用数字标记的图像在TensorFlow中定义回归问题的方法。这样，“9”和“2”之间的误差将大于“9”和“8”之间的误差。如果这是你想要的，听起来确实像是一个回归问题。但你开始提问的基本前提“我正在尝试教授图像分类模型”不再成立了，是吗？你是对的。如果我知道这件事，我就不会在这里问了，-我只是想弄清楚我自己，因为它更快。我不想更新这个问题，因为我认为它很清楚，我看到很多人在寻找一个类似问题的答案，但没有收到。我希望它能帮助别人。

 ...
 predictions = model.predict(img_array)
 # score = tf.nn.softmax(predictions[0])    # correct for classification, but not regression
 score = predictions.flatten()[0]    # correct result for regression
 ...