1回答
一般信息 我正在关注这个对象检测https://github.com/yhenon/pytorch-retinanet的存储库 动机 对象检测网络通常对图像中的每个对象执行2次tasks.For，输出类别置信度分数和边界框回归score.For我的任务以及这2个输出，对于每个我想要输出的对象，我想输出一个介于0-5之间的回归分数。问题陈述 我采取的方法是，由于网络已经做了分类，我想我应该修改一些
浏览 24提问于2020-01-25得票数 1
回答已采纳
1回答
伯特文本分类损失为南
、、、、
(否定，神经，积极)--我首先导入所有必要的库14/443 [..............................] - ETA: 3:58 - loss: nan - accuracy: 0.3438
如果我改变了情绪的数量，使之成为积极和消极的，那么它就奏效了。但是如果使用3个或更多的标签，则会造成这个问题。
浏览 3提问于2020-06-11得票数 1
回答已采纳
我正在训练一个具有编码器-解码器架构的完全卷积网络，用于图像分割任务，目前正在使用二进制交叉熵损失进行前景/背景预测。
我试图搜索和阅读关于为什么使用交叉熵损失而不是L1或L2损失的信息。交叉熵损失不能捕获图像的整体布局，而L1和L2考虑了整体图像重建。
浏览 2提问于2019-09-10得票数 0
2回答
我知道线性回归做“回归”，logistic回归做“分类”。当我们实现这两种方法时，我能注意到的唯一不同是损失函数:线性回归使用均方误差这样的损失函数，logistic使用交叉熵。还有什么我不知道的区别吗？
浏览 0提问于2018-09-14得票数 1
回答已采纳
1回答
据我理解，SGD分类器和Logistic回归似乎相似。损失=对数的SGD分类器实现Logistic回归，损失=铰链实现线性支持向量机。我还了解到logistic回归采用梯度下降作为优化函数，SGD采用随机梯度下降，收敛速度要快得多。但这两种算法中哪一种会在哪种情况下使用？另外，SGD和Logistic回归有什么相似之处，它们又有何不同？
浏览 0提问于2018-09-07得票数 10
1回答
我是机器学习领域的初学者，我想学习如何使用梯度增强树(GBT)进行多类分类。我读过一些关于GBT的文章，但是关于回归问题，我找不到关于GBT多类分类的正确解释。GBT的实现是利用回归树作为弱学习者进行多类分类的GradientBoostingClassifier。
GB以提前阶段的方式建立了一个加性模型；它允许对任意可微损失函数进行优化。在每个阶段，n_classes_回
浏览 0提问于2018-04-25得票数 0
回答已采纳
我已经研究过分类，但是对象检测是回归问题，所以我混淆了损失函数和总体网络实现。在分类问题上，我应该用-(结果是我的CNN输出张量)cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits
浏览 0提问于2019-05-03得票数 1
回答已采纳
1回答
我有一个2分支网络，其中一个分支输出回归值，另一个分支输出分类标签。(my_loss_reg())，以便在回归端添加分类损失的一部分，如下所示， loss_mse=K.mean(K.sumloss_mse, loss_reg) # Can calculate only if loss_reg is availabley_true和y_pred是回
浏览 2提问于2020-10-07得票数 0
1回答
如果您的分类和回归问题是相关的，并且依赖于相同的输入数据，那么是否有可能成功地构建一个同时给出分类和回归输出的神经网络？
如果是这样，如何构造损失函数？
浏览 2提问于2016-05-24得票数 15
回答已采纳
2回答
在吴家富的机器学习课程之后，他解释了如何修改logistic回归以获得支持向量机算法。首先，他用铰链损失代替(近似)交叉熵损失，如下图所示：然后去掉\frac{1}{m}系数，将整个成本函数除以正则化参数\lambda，从而导致σ(C=\frac{1}{\lambda})后面的参数生成的成本函数如下图所示，这是支持向量机的最小化目标：随后，他指出，通过选择参数C的一个很大的值，支持向量机将成为一个大的边缘分类</e
浏览 0提问于2020-03-12得票数 3
回答已采纳
我正在做一个在图像中定位对象的项目。我将要采用的方法是基于中的定位算法。
网络结构有两个优化头，分类头和回归头。在培训网络时，我如何尽量减少这两种情况？我有一个想法，那就是把他们两个人总结成一个损失。但问题是分类损失是软最大损失，回归损失是l2损失，这意味着它们有不同的范围。我不认为这是最好的方法。
浏览 1提问于2016-07-22得票数 0
回答已采纳
一份机器学习材料说，通过回归来解决分类问题是一个坏主意。但我认为，始终可以进行连续回归来拟合数据，并截断连续预测以产生离散分类。那么为什么这是个坏主意呢？
浏览 0提问于2012-02-06得票数 2
回答已采纳
1回答
我遇到这个问题是为了根据不同的输入属性预测贷款违约的损失。你不仅要预测损失/无损失，还要预测贷款损失的百分比(0-100%)。我想知道如何建模这样的场景：
如果使用线性回归，如何将损失保持在1-
浏览 1提问于2014-01-27得票数 1
回答已采纳
我是Tensorflow的新手，我读过关于MNIST ()的入门教程。它可以很好地处理给定的数据，但是当我尝试使用自己的数据时，它会失败。))classification = sess.run(y, feed_dict)因此，我得到1.0的准确性和向量1.0的分类。由于该模型非常简单，所以有可能达到100%的精度，但预测显然不是。实际上，如果用随机数替换
浏览 3提问于2016-06-20得票数 0
回答已采纳
有哪些步骤来发展的多类分类类型的异常，显示肺癌目的是开发多类分类类型的异常，表明肺癌与肺癌数据集。
提前感谢你
浏览 3提问于2021-04-25得票数 1
1回答
正如Keras手册-Deep中所描述的，对于多输出模型，我们需要为不同的网络负责人指定不同的损失函数。但是，由于梯度下降要求最小化标量，所以必须将这些损失合并为单个值，以便训练模型。非常不平衡的损失贡献将导致模型表示优先为最大的个人损失的任务优化，而牺牲其他任务。为了弥补这一点，您可以在损失值对最终损失的贡献中，对损失值指定不同的</em
浏览 2提问于2018-05-28得票数 3
是否可以在不考虑分类部分的情况下，将FasterRcnn应用于火炬手，仅仅是为了找到包围盒？是否有可能将分类部分(分类交叉熵)的损失改为回归损失( MSE )？
浏览 0提问于2020-03-02得票数 0
回答已采纳
我只找到了回归问题的良好损失函数。然后在Tensorflow中使用它。
在tensorflow的API中，存在大量的损失函数，其中大部分是针对分类问题而设计的。对于回归问题，除MSE外，任何其他良好的损失函数都不包括在内。
浏览 6提问于2017-12-29得票数 1
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
云直播
对象存储
腾讯会议活动推荐
腾讯云开发者
