用千層麪卷積神經網絡的準確性（迴歸與分類）

我一直在玩千層麪一段時間，現在使用卷積神經網絡的二元分類問題。然而，雖然我得到了良好（ish）的訓練和驗證損失結果，但我的驗證和測試精度始終保持不變（網絡始終預測同一類別）。用千層麪卷積神經網絡的準確性（迴歸與分類）

我碰到過this，這個人和我一樣有烤寬麪條的問題。他們的解決方案是設置regression=True，因爲他們在烤寬麪條上使用Nolearn。

有沒有人知道如何在千層麪內設置相同的變量（因爲我不想使用Nolearn）？除此之外，有沒有人有解釋爲什麼這需要發生？

來源

2015-09-18 mjacuse

爲什麼你不想使用nolearn有一個特別的原因嗎？ –

沒有特別的原因，除了它似乎增加了另一層頂端的千層麪，林不知道是必要的。你認爲它增加了更多功能嗎？另外我覺得好像調試起來可能會更困難？ – mjacuse

IMO nolearn添加了很好的功能，如BatchIterator，我用它進行大量預處理（隨機裁剪數據等）。自從我開始使用nolearn後，我還沒有發現更難調試。但這是個人觀點。 –

從nolearn看the code of the NeuralNet class，它看起來像參數regression在不同的地方使用，但大多數時候它影響如何計算輸出值和損失。

在regression=False（默認值）的情況下，網絡輸出具有最大概率的類，並使用分類交叉熵計算損失。另一方面，在regression=True的情況下，網絡輸出每個類的概率，並且計算輸出向量上的平方誤差的損失。

我不是深度學習和CNN方面的專家，但是這可能起作用的原因是，如果是regression=True，並且如果存在小的錯誤梯度，對網絡參數應用較小的更改可能不會改變預測的類和相關的損失，並可能導致算法「認爲」它已經收斂。但是如果你看看類別概率，小的參數變化將影響概率和結果的均方誤差，並且網絡將沿着這條路徑繼續下去，這可能最終改變預測。

這只是一個猜測，很難說沒有看到代碼和數據集。

來源

2015-09-28 11:48:29 Djizeus

用千層麪卷積神經網絡的準確性（迴歸與分類）

回答

相關問題