TensorFlow图像分类模型的均方误差

Question

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-https://www.tensorflow.org/tutorials/images/classification

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使用数字标记的图像来定义TensorFlow中的回归问题的方法

Answer 1

事实证明，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：

1. 数字为“类”（文件夹名称）的不同数据集

2. 将损失函数更改为均方误差或其他适合回归的损失函数

3. 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）：

   ...
   layers.Dense(128, activation='relu'),
   layers.Dense(1)    # changed from num_classes to 1
   

4. 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
    ...