非独立的 Tensorflow 损失 类
Tensorflow Loss for Non-Independent Classes
我正在使用 Tensorflow 网络在 class 与相邻 class 相似的 class 之间进行 class 化，即不独立。例如，假设我们要在 10 个 class 中进行预测，但预测不仅仅是 "correct" 或 "incorrect." 相反，如果正确的 class 是 7 并且网络预测 6 ，损失应该小于网络预测 5 的情况，因为 6 比 5 更接近正确答案。我的理解是交叉熵和 1-hot 向量提供 "all or nothing" 损失而不是 "continuous"反映误差大小的损失。如果那是正确的，如何在 Tensorflow 中实现这种连续损失？
-- 2016 年 6 月 13 日更新 ----
一个示例应用程序可能是颜色识别。如果网络预测 "green" 但真实颜色是黄绿色，那么损失应该小于网络预测蓝色时的损失，因为绿色是比蓝色更好的预测。
您可以选择将连续函数（例如 HSV 中的色调）实现为单个输出，并构建您自己的损失计算来反映您想要优化的内容。在这种情况下，您只有一个介于 0.0 和 1.0 之间的输出值，并且将根据与标记值的距离来评估损失。
我正在使用 Tensorflow 网络在 class 与相邻 class 相似的 class 之间进行 class 化，即不独立。例如，假设我们要在 10 个 class 中进行预测，但预测不仅仅是 "correct" 或 "incorrect." 相反，如果正确的 class 是 7 并且网络预测 6 ，损失应该小于网络预测 5 的情况，因为 6 比 5 更接近正确答案。我的理解是交叉熵和 1-hot 向量提供 "all or nothing" 损失而不是 "continuous"反映误差大小的损失。如果那是正确的，如何在 Tensorflow 中实现这种连续损失？
-- 2016 年 6 月 13 日更新 ----
一个示例应用程序可能是颜色识别。如果网络预测 "green" 但真实颜色是黄绿色，那么损失应该小于网络预测蓝色时的损失，因为绿色是比蓝色更好的预测。
您可以选择将连续函数（例如 HSV 中的色调）实现为单个输出，并构建您自己的损失计算来反映您想要优化的内容。在这种情况下，您只有一个介于 0.0 和 1.0 之间的输出值，并且将根据与标记值的距离来评估损失。