多输出 Keras 的回归损失函数
Regression Loss function for Multi outputs Keras
我正在使用深度学习方法来解决具有多输出（16 个输出）的回归问题，每个输出在 [0,1] 之间，总和为 1。
我对哪个损失函数最适合这个问题感到困惑，我已经测试了 均方误差 和 平均绝对误差 但神经网络总是预测相同的值。
model = applications.VGG16(include_top=False, weights = None, input_shape = (256, 256, 3))
x = model.output
x = Flatten()(x)
x = Dense(1024)(x)
x=BatchNormalization()(x)
x = Activation("relu")(x)
x = Dropout(0.5)(x)
x = Dense(512)(x)
x=BatchNormalization()(x)
x = Activation("relu")(x)
x = Dropout(0.5)(x)
predictions = Dense(16,activation="sigmoid")(x)
model_final = Model(input = model.input, output = predictions)
model_final.compile(loss ='mse', optimizer = Adam(lr=0.1), metrics=['mae'])
你所描述的听起来更像是一个分类任务，因为你想在最后得到一个概率分布。
因此，您应该在最后一层使用 softmax（例如）并使用交叉熵作为损失度量。
我正在使用深度学习方法来解决具有多输出（16 个输出）的回归问题，每个输出在 [0,1] 之间，总和为 1。 我对哪个损失函数最适合这个问题感到困惑，我已经测试了 均方误差 和 平均绝对误差 但神经网络总是预测相同的值。
model = applications.VGG16(include_top=False, weights = None, input_shape = (256, 256, 3))
x = model.output
x = Flatten()(x)
x = Dense(1024)(x)
x=BatchNormalization()(x)
x = Activation("relu")(x)
x = Dropout(0.5)(x)
x = Dense(512)(x)
x=BatchNormalization()(x)
x = Activation("relu")(x)
x = Dropout(0.5)(x)
predictions = Dense(16,activation="sigmoid")(x)
model_final = Model(input = model.input, output = predictions)
model_final.compile(loss ='mse', optimizer = Adam(lr=0.1), metrics=['mae'])
你所描述的听起来更像是一个分类任务，因为你想在最后得到一个概率分布。 因此，您应该在最后一层使用 softmax（例如）并使用交叉熵作为损失度量。