如何使用TensorFlow最小化两个损失?
我正在做一个项目,这是本地化的对象在图像中。我将采用的方法是基于中的定位算法 网络结构有两个优化头,分类头和回归头。在培训网络时,如何将这两个问题最小化如何使用TensorFlow最小化两个损失?,tensorflow,Tensorflow,我正在做一个项目,这是本地化的对象在图像中。我将采用的方法是基于中的定位算法 网络结构有两个优化头,分类头和回归头。在培训网络时,如何将这两个问题最小化 我有一个想法,那就是把这两件事总结成一个损失。但问题是分类损失是softmax损失,回归损失是l2损失,这意味着它们有不同的范围。我认为这不是最好的方法。这取决于您的网络状态 如果你的网络仅仅能够提取特征[你使用的是从其他网络保留的权重],你可以将该权重设置为常量,然后分别训练两个分类头,因为梯度不会流过常量 如果不使用预先训练的模型的权重,则
我有一个想法,那就是把这两件事总结成一个损失。但问题是分类损失是softmax损失,回归损失是l2损失,这意味着它们有不同的范围。我认为这不是最好的方法。这取决于您的网络状态 如果你的网络仅仅能够提取特征[你使用的是从其他网络保留的权重],你可以将该权重设置为常量,然后分别训练两个分类头,因为梯度不会流过常量 如果不使用预先训练的模型的权重,则
graph\u util将每个学习到的参数转换为常数张量。将变量转换为常数,如“脚本”中所示
这取决于您的网络状态 如果你的网络仅仅能够提取特征[你使用的是从其他网络保留的权重],你可以将该权重设置为常量,然后分别训练两个分类头,因为梯度不会流过常量 如果不使用预先训练的模型的权重,则
graph\u util将每个学习到的参数转换为常数张量。将变量转换为常数,如“脚本”中所示
伟大的谢谢你的回答。我可以再问一个问题吗?在培训回归主管时,如何表示“背景”类?我现在使用零。有更好的方法吗?你在训练回归负责人:你不需要背景课程。您的训练集包含对象边界框的位置,因此您将学习回归这些坐标,而不是其他坐标。背景是这些坐标之外的一切。我只在分类头中使用背景类,这在训练时未使用(我只显示包含对象的图像),但在网络以本地化模式运行时使用。如果我用回归头预测一些坐标,但分类头告诉我这是背景,我会跳过有意义的位置。谢谢,太好了!谢谢你的回答。我可以再问一个问题吗?在培训回归主管时,如何表示“背景”类?我现在使用零。有更好的方法吗?你在训练回归负责人:你不需要背景课程。您的训练集包含对象边界框的位置,因此您将学习回归这些坐标,而不是其他坐标。背景是这些坐标之外的一切。我只在分类头中使用背景类,这在训练时未使用(我只显示包含对象的图像),但在网络以本地化模式运行时使用。如果我用回归头预测一些坐标,但分类头告诉我这是背景,我会跳过有意义的位置。非常感谢。