使用神经网络进行数据处理
Using Neural Networks for Data Manipulation
可能与 有关，但我的目标是让网络对输入图像执行操作并输出结果图像数据。
如果这个问题不够清晰，我很乐意在评论中更深入地研究我的问题的细节。但是，我会尽量不针对具体情况，以便让其他人可以使用这个问题。
问题
我有大量训练数据，其中包含建议操作前后的图像。我的问题涉及如何使用 Caffe 对每个像素进行 1 对 1 训练。我的损失应该采取计算两幅图像之间差异的形式。
如果我有最后一个 fully-connected/inner-product 层输出 channels * height * width 并且我有预期输出图像的标签（相同尺寸）我应该使用哪种类型的损失+精度结构？
我的案例
我试过简单地将内积数据传递给带有我的标签数据的 S 型交叉熵损失，但它似乎不是一种受支持的方法。
我的标签是非整数值，因为它们是 0 到 1 之间的像素 RGB 数据（注意：我可以使用 0 到 255 形式的整数）并且 Caffe 似乎将标签解释为类别而不是简单的值。
我可以为每个像素通道设置 255 个类别，但这会导致 255 * 3 个通道 * 256 高度 * 256 宽度 = 50,135,040 个类别，这使我想要实现的目标变得过于复杂。
我的问题
- Caffe 本身是否支持我想要实现的目标？
- 如果是这样，我应该如何更改我的结构以符合这些规范？
- 如果不支持，其他神经网络框架（例如 Torch）是否支持此功能？
- 是否有我试图用我的网络解决的问题类型的名称（当然不是绝对分类）？
- 过去用什么来解决这种类型的问题？
具有潜在价值的来源
您要查找的损失层是Euclidean loss layer（均方误差）：
layers {
name: "loss"
type: EUCLIDEAN_LOSS
top: "loss"
bottom: "CONVX_15"
bottom: "labels"
}
你的问题是多元回归，你必须使用适合它的损失。 Sigmoid 交叉熵损失 用于分类，其中目标值（标签）必须介于 0 和 1 之间（例如，像素为 on/off 的概率）。
对于欧氏损失，请小心管理梯度。将目标值保持在 <0,1> 范围内并使用 Xavier 权重初始化。不过，与分类问题相比，您可能需要设置较低的学习率，以防止 SGD 爆炸。
可能与
如果这个问题不够清晰，我很乐意在评论中更深入地研究我的问题的细节。但是，我会尽量不针对具体情况，以便让其他人可以使用这个问题。
问题
我有大量训练数据，其中包含建议操作前后的图像。我的问题涉及如何使用 Caffe 对每个像素进行 1 对 1 训练。我的损失应该采取计算两幅图像之间差异的形式。
如果我有最后一个 fully-connected/inner-product 层输出 channels * height * width 并且我有预期输出图像的标签（相同尺寸）我应该使用哪种类型的损失+精度结构？
我的案例
我试过简单地将内积数据传递给带有我的标签数据的 S 型交叉熵损失，但它似乎不是一种受支持的方法。
我的标签是非整数值，因为它们是 0 到 1 之间的像素 RGB 数据（注意：我可以使用 0 到 255 形式的整数）并且 Caffe 似乎将标签解释为类别而不是简单的值。
我可以为每个像素通道设置 255 个类别，但这会导致 255 * 3 个通道 * 256 高度 * 256 宽度 = 50,135,040 个类别，这使我想要实现的目标变得过于复杂。
我的问题
- Caffe 本身是否支持我想要实现的目标？
- 如果是这样，我应该如何更改我的结构以符合这些规范？
- 如果不支持，其他神经网络框架（例如 Torch）是否支持此功能？
- 是否有我试图用我的网络解决的问题类型的名称（当然不是绝对分类）？
- 过去用什么来解决这种类型的问题？
具有潜在价值的来源
您要查找的损失层是Euclidean loss layer（均方误差）：
layers {
name: "loss"
type: EUCLIDEAN_LOSS
top: "loss"
bottom: "CONVX_15"
bottom: "labels"
}
你的问题是多元回归，你必须使用适合它的损失。 Sigmoid 交叉熵损失 用于分类，其中目标值（标签）必须介于 0 和 1 之间（例如，像素为 on/off 的概率）。
对于欧氏损失，请小心管理梯度。将目标值保持在 <0,1> 范围内并使用 Xavier 权重初始化。不过，与分类问题相比，您可能需要设置较低的学习率，以防止 SGD 爆炸。