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:
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
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:
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:
相关问题 更多 >
编程相关推荐