如果我有最初设计用于分类的网络，在tensorflow中回归的情况下，我应该如何更改损失函数？

我有一个预先训练过的alexnet，专门用于分类任务。 现在我想为回归任务更改该模型

我应该对tensorflow中下面代码中的损失函数做什么更改？现在是回归，我没有标签，只有一个输出向量

with tf.name_scope("cross_ent"):
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits = score, labels = y))

---

还有，在转换模型时我还需要注意什么

分类网络的最后一层通常是softmax层，加上与softmax输出类型（概率向量总和为1）配合良好的损耗

---

要执行回归，您需要在最后一层使用线性激活函数；您可以尝试在目标和预测之间使用MSE（均方误差）损失函数。

分类网络的最后一层通常是softmax层，加上与softmax输出类型（概率向量总和为1）配合良好的损失

---

要执行回归，您需要在最后一层使用线性激活函数；您可以尝试在目标和预测之间使用MSE（均方误差）损失函数。

是！我使用-tf.name_scope（“cross_ent”）：loss=tf.reduce_mean（tf.squared_difference（score，y））@Florentine Hennecker，我没有得到正确的回归值，甚至没有接近。我想在模型的某个地方，我正在压缩或规范化数据。知道吗，我用的是AlexNet。你确定你最后一层的激活函数是线性的吗？你得到的值的范围是多少？那么，我的地面真值向量有六个元素（2个坐标（范围-0到256px），2个长度度量（范围-20到60px），1个正弦值，1个余弦值）。现在正弦和余弦值应该在（-1到1）的范围内。这些基本真理价值观。现在，我的输出对于前4个输出得到了相似的范围，但是对于正弦和余弦，我得到了（-1到1）的值。我不确定前四个坐标是否正确，但它们在范围内。现在，如何确保我的输出范围是正确的？特别是在正弦和余弦的情况下，这是我的最后一层和误差函数看起来像self.fc8=fc（dropout7，4096，self.NUM_类，relu=False，name='fc8'）和tf.name_scope（“cross_ent”）：loss=tf.reduce_mean（tf.squared_difference（score，y））。NUM_CLASSES=6。（我的输出向量）是的！我使用-tf.name_scope（“cross_ent”）：loss=tf.reduce_mean（tf.squared_difference（score，y））@Florentine Hennecker，我没有得到正确的回归值，甚至没有接近。我想在模型的某个地方，我正在压缩或规范化数据。知道吗，我用的是AlexNet。你确定你最后一层的激活函数是线性的吗？你得到的值的范围是多少？那么，我的地面真值向量有六个元素（2个坐标（范围-0到256px），2个长度度量（范围-20到60px），1个正弦值，1个余弦值）。现在正弦和余弦值应该在（-1到1）的范围内。这些基本真理价值观。现在，我的输出对于前4个输出得到了相似的范围，但是对于正弦和余弦，我得到了（-1到1）的值。我不确定前四个坐标是否正确，但它们在范围内。现在，如何确保我的输出范围是正确的？特别是在正弦和余弦的情况下，这是我的最后一层和误差函数看起来像self.fc8=fc（dropout7，4096，self.NUM_类，relu=False，name='fc8'）和tf.name_scope（“cross_ent”）：loss=tf.reduce_mean（tf.squared_difference（score，y））。NUM_CLASSES=6。（我的输出向量）