Tensorflow 张量流有界回归与分类

作为我硕士论文的一部分，我的任务是预测一个标签整数（0-255），它是一个角度的装箱表示。要素列也是整数，范围为（0-255）

到目前为止，我已经使用了自定义Tensorflow层估计器，实现了一个性能良好的256输出分类器。但是，我使用的分类方法存在以下问题：

• 我的分类模型认为预测a 3而不是a 28与预测a 27和a 28一样好/坏

我的数据的数字区间/顺序性质（不确定是哪一种）让我相信，如果我使用回归，我将获得不太严重的错误预测或异常值的结果

我的目标： 减少严重错误的预测异常值的数量

我的问题：

回归是更好的方法，还是我可以改进我的 分类要包括以下项之间的顺序/间隔关系 我的标签

如果我选择回归，是否有办法将预测输出限制在0-255之间（我知道我必须对预测的浮点值进行四舍五入）

提前谢谢。任何其他的意见、建议或想法都能帮助我最好地解决这个问题，这也是非常有帮助的

---

如果我在解释问题时做出了任何不正确的假设或错误，请随时纠正我。

问题1：回归是更简单的方法，但是，您也可以使用分类和操纵损失函数，以降低“接近”原始类的错误分类损失

---

问题2：用于限制预测的tensorflow命令是

tf.clip\u by\u value

。是否将所有360度映射到

[0255]

？在这种情况下，你将要考虑边界情况，即你的估计器收益率为4，真实值为251，但它们实际上代表相同的值，所以损失应该是0。我正在将[-180]映射到[0255]，因此这将需要考虑您建议的边界情况。我认为这是一个顺序回归（除名称外的所有分类）问题，我必须使用嵌入，例如[0 0…]=0、[1 0…]=1、[1 1 0…]=2等。这将在我的输出类中引入“大于”关系。但是，考虑到边界条件，这个嵌入可能需要调整，尽管我还不确定如何调整。您可以简单地在边界处翻转值：

x=x-tf.nn.relu（x-255）

。这可能比顺序回归简单。