在历元期间，我是否应该调整错误分类样本的损失权重？
在历元期间，调整错误分类样本的损失权重是一种常见的优化策略，可以帮助提高模型的性能和准确性。通过调整错误分类样本的损失权重，可以使模型更加关注那些难以分类的样本，从而提高对这些样本的分类准确性。
调整错误分类样本的损失权重可以采用多种方法，其中一种常见的方法是使用加权损失函数。在加权损失函数中，可以为不同类别的样本设置不同的权重，使模型更加关注那些容易被错误分类的样本。通常情况下，将错误分类样本的权重设置为较高值，而将正确分类样本的权重设置为较低值。
调整错误分类样本的损失权重可以在训练过程中进行动态调整，以适应模型在不同阶段的学习能力和难易程度。例如，在训练初期，可以将错误分类样本的权重设置为较高值，以便模型更加关注这些样本并进行有效学习。随着训练的进行，可以逐渐降低错误分类样本的权重，使模型更加注重整体分类准确性。
调整错误分类样本的损失权重的应用场景包括但不限于以下几个方面：
- 类别不平衡问题：当训练数据中某些类别的样本数量较少时，可以通过调整错误分类样本的损失权重来平衡各个类别的影响，提高模型对少数类别的分类准确性。
- 难易样本区分：当训练数据中存在一些难以分类的样本时，可以通过调整错误分类样本的损失权重来提高模型对这些难易样本的分类能力。
- 特定应用需求：根据具体的应用需求，可以根据领域知识和经验，调整错误分类样本的损失权重，以满足特定的分类要求。
腾讯云提供了一系列与云计算相关的产品，可以帮助开发者进行云计算的应用开发和部署。具体推荐的产品和产品介绍链接地址如下：
- 云服务器（ECS）：提供弹性计算能力，支持按需创建、配置和管理云服务器实例。详情请参考：https://cloud.tencent.com/product/cvm
- 云数据库MySQL版（CDB）：提供高性能、可扩展的关系型数据库服务，支持自动备份、容灾和监控等功能。详情请参考：https://cloud.tencent.com/product/cdb
- 人工智能平台（AI Lab）：提供丰富的人工智能算法和模型，支持图像识别、语音识别、自然语言处理等应用场景。详情请参考：https://cloud.tencent.com/product/ailab
- 云存储（COS）：提供安全可靠的对象存储服务，支持海量数据的存储和访问。详情请参考：https://cloud.tencent.com/product/cos
- 区块链服务（BCS）：提供全托管的区块链服务，支持快速搭建和部署区块链网络。详情请参考：https://cloud.tencent.com/product/bcs
以上是腾讯云提供的一些与云计算相关的产品，可以根据具体需求选择适合的产品进行开发和部署。
相关·内容
这也许是个愚蠢的问题，但：
我注意到，损失函数的选择改变了评估过程中获得的精度。
我认为损失仅在训练中使用，当然，这取决于模型在预测中的优劣，而不取决于对样本总数的正确预测量的准确性。
EDIT
我没有正确地解释我的自我。
我的问题是因为我最近训练了一个binary_crossentropy损失的模型，来自model.evaluate()的准确率为96%。但这不对！我检查了“手动”，模型得到了44%的总预测。然后，我改为categorical_crossentropy，然后准确性是正确的。
MAYBE ANSWER出发地：
我发现了这个问题。度量=“准确性”根据成本函数自动计算精度。因此，使
浏览 1提问于2018-09-13得票数 0
回答已采纳
2回答
解释神经网络中的神经元
、、、
我已经想出了一个使用神经网络的分类问题的解决方案。我也得到了同样的权重向量。数据是5维的，隐藏层中有5个神经元。假设神经元1有输入权重w11，w12，...w15，我必须解释这些权重的物理解释，这些权重的组合，在problem.Does中代表什么，任何这样的解释存在，或者神经元本身没有特定的解释？
浏览 4提问于2014-07-16得票数 0
2回答
如何正确训练扩展数据集
、、、
我训练了我的分类器，在每幅图片上混合了几个类，例如A。分类器能够(几乎)正确地分割图像上的这些类。
现在我得到了更多显示G类图片的数据，为了最小化我的工作，我只在图像上标记了G类，而其他的则没有显示出来(无效)。
我的训练有两个问题：
如果在我的第一个数据集中没有G类的例子(因为它可能是A的子类)，我如何正确地训练它？建议的解决方案:我可以将我的新数据添加到旧的数据中，但是当有G类图像时，我必须告诉CNN，因为我必须以某种方式改变CNN的误差测量。但是怎么做呢？
如果G包含在我的第一个数据集中(假设G是“警车”，而B是“汽车”，但是有些图像显示了警车)，那么在这种情况下，我该如何训练呢？
浏览 0提问于2017-02-14得票数 1
我有一个Keras模型，我用100个时代来训练这个模型。
现在，我在85岁时损失了0.0085，而在晚上我损失了0.0092。
我的问题是，
Keras中的model.save()保存了什么？
它是否节省了从lat时代(即100)获得的重量。
还是从最佳时期(即85年代)节省了重量？
或所有100个历期的平均或平均权重？
什么是真正的keras model.save()被设计用来在100个历元完成后保存权重？
谢谢你提前解释：)。
浏览 0提问于2019-07-09得票数 2
回答已采纳
我正在做多类分类(10类)。我正在使用sklearn.linear_model.SGDClassifier。我看到这个模型使用了一种一对一的方法。SGDClassifier有一个参数class_weight：“与类相关的权重。如果没有给定，所有类都应该有一个权重。 平衡模式使用y的值自动调整权重，与输入数据中的类别频率成反比，如n_samples / (n_classes *np.bincount(Y))。“在训练过程中如何使用class_weight ?例如，我们有标签A-5样本，标签B- 15样本，标签C- 100样本。假设模型A与B和C是训练的。损失函数的计算中是否包括class_we
浏览 25提问于2019-01-15得票数 3
3回答
不平衡数据和加权交叉熵
、、、
我正在尝试训练一个具有不平衡数据的网络。我有A (198个样本)，B (436个样本)，C (710个样本)，D (272个样本)，我已经读到了"weighted_cross_entropy_with_logits“，但我找到的所有示例都是二进制分类的，所以我对如何设置这些权重不是很有信心。
总样本: 1616
A_weight: 198/1616 = 0.12？
如果我理解的话，背后的想法是惩罚多数人的错误，并更积极地评价少数人的成功，对吗？
我的一段代码：
weights = tf.constant([0.12, 0.26, 0.43, 0.17])
cost = tf.reduc
浏览 3提问于2017-06-15得票数 62
回答已采纳
我正在尝试基于给定的训练集来训练分类器(例如，一个2类问题，每个类有100个样本)。我如何训练我的分类器，使训练集中的一些样本(比如每个类的前20个样本)比其他样本更有价值？(由于某些原因，这些样本与测试集更相似，因此在训练分类器时应该考虑它们更重要)我可以只复制这些样本几次吗？
我不知道这是否重要，但我的分类器由特征选择步骤(一种基于过滤器的方法，称为快速相关过滤器)和分类步骤(线性支持向量机)组成。此外，我的测试集是一个完全不同的集，我根本不能在训练的任何步骤中使用。
浏览 0提问于2016-09-21得票数 0
1回答
跨不同的时代，下列哪一个是/正在更新？
初始权值(初始ConvNet滤波器矩阵，初始全连通权值)
超参数: ConvNet滤波器的数目，ConvNet滤波器的大小，图层数.
从上一个历元计算的丢失函数似乎是当前历元丢失函数的初始值。为什么？
浏览 0提问于2019-03-08得票数 1
我最近被介绍到神经网络的神奇世界。我开始跟踪，它实现了一个NN来识别手写数字。它实现了一个3层网络(1输入、1隐藏和1输出)，并使用MNIST数据集进行训练。
我刚刚发现，具有相似层784,30,10结构的两个神经网络的权重矩阵，使用相同的数据集进行训练，是完全不同的。偏差矩阵也是如此。
一般直觉说，由于我们使用的是多个历元，并且在每个时期随机化数据，两个神经网络的权重矩阵应该收敛到相似的值。但结果却大不相同。也可能是这个原因吗？
下面是NN1的头几个权重：
[array([[-1.2129184 , -0.08418661, -1.58413842, ..., 0.14350188,
浏览 6提问于2020-05-12得票数 1
回答已采纳
我试图在dataset上拟合DL模型，经过一段时间的参数调整后，我确定了最优的历元数。现在假设有新的数据可用，我想包括它们来重新训练模型，我是否需要将划期的数目设置为完全相同，还是使它更小，使我有相同数量的梯度更新？这两者对我来说似乎都是有意义的，但我不确定哪一个通常会更好。
我知道一个更好的方法是使用火车测试分裂来确定最佳的年代，但是由于数据是非常有限的，如果可能的话，我不想保留任何数据。
任何想法或建议都将不胜感激，谢谢！
浏览 0提问于2021-04-10得票数 1
我有一个高度不平衡的图像数据集，我正在使用的分类问题。
我正在寻找一种技术来解决这种不平衡。我尝试过抽样和过度抽样，但没有取得好的结果。考虑到这是多类问题而不是二进制问题，是否可以使用SMOTE和ADASYN来平衡类。
浏览 5提问于2019-03-08得票数 2
3回答
在神经网络中，梯度下降会查看整个训练集以计算梯度。成本函数随着迭代的进行而减小。如果代价函数增加，通常是因为错误或不适当的学习率。
相反，随机梯度下降计算每个单个训练示例的梯度。我想知道成本函数是否有可能从一个样本增加到另一个样本，即使实现是正确的并且参数调整得很好。我有一种感觉，代价函数的异常增量是可以的，因为梯度是在单个样本的最小化之后进行的，这可能不是整个系统的收敛方向。
在随机梯度下降中期望成本函数的增量吗？
浏览 2提问于2018-05-16得票数 0
我想做什么：，我有多个并行时间序列，我试图根据所有这些时间序列预测另一个值(我不确定这是否仍然被称为回归)。其中一个时间序列是最重要的时间序列，它的值应该比其他时间序列的值有更大的影响。
我所做的：，我有一个用keras实现的神经网络。它有几个输入，每个时间序列都有一个：
main_input = Input(...)
context_input1 = Input(...)
context_input2 = Input(...)
...
context_inputn = Input(...)
问题在哪里：如何实现main_input中的样本比context_input1、.、context_i
浏览 6提问于2021-01-20得票数 0
1回答
使用具有多个损失的train_on_batch训练GAN模型，我可以在编译模型时使用随机loss_weights吗，或者是否有一些特定的策略来使用Here提到的这些损失权重。在我的问题中，mean_sqaured_error是generated_image和original_image的损失函数，binary_crossentropy是0和1类的分类损失函数。 model.compile(optimizer=optimizer, loss=['mean_squared_error', 'binary_crossentropy'], loss_weights=[
浏览 45提问于2019-01-07得票数 0
3回答
当我使用fit_generator，方法训练带有keras的顺序模型时，我看到了这个输出。
1/N期
n/N ====================>.- ETA xxxx损失: yyyy
我注意到，损失随着步骤的数目逐渐减少，正如预期的那样。我的问题是，我还注意到，当一个时代结束，另一个时代开始时，损失的价值与我在前一个时代结束时所看到的完全不同。
为什么会这样呢？我认为每一步的时间和步数都是任意值，例如，使用1000步的10个历元应该与10个步骤的1000个历元相同。但是，在Keras2.0中，一个时代和下一个时代究竟发生了什么呢？
免责声明:我知道时代的定义，以及如何使用
浏览 0提问于2018-12-13得票数 2
回答已采纳
我需要关于libSVM的权重选项的帮助。在某种程度上，我感到困惑；我们是否应该在进行交叉验证时也使用-wi选项？如果是这样，我们应该使用整个数据的计算权重还是根据v-1子集计算的权重(用于v折叠交叉验证)？我的第二个问题是，我们应该在预测时使用-wi选项吗？如果是这样，我们是应该在训练过程中使用计算的权重，还是应该根据测试数据中负实例和正实例的分布来计算权重？
例如，我们有50 +数据和200 -数据。因此，在计算出最佳c和γ参数值后，我们将在训练时使用-w1 4 -w-1 1选项。但是在网格搜索和交叉验证期间的训练呢？假设我们正在执行5折交叉验证。在剩余的4个子集上进行训练时，负实例和正实例
浏览 1提问于2011-12-18得票数 4
1回答
根据Keras文档的说法，sample_weight可以用于训练数据中的任何样本在损失中的不同重要性。
我在谷歌上搜索了一下，但没有找到我的问题的答案如下：
sample weights是否参与衍生产品？换句话说，Keras是使用这些权重来训练模型，还是只产生不同的损失值？即，导数是“静态”计算的w.r.t。对“未加权”损失？
因为损失函数实际上并不是基于样本权重来定义的，所以它只是(作为参数)传递给Keras中的fit函数。
浏览 0提问于2020-03-21得票数 6
1回答
加权损失函数与加权抽样？
、、、、
对于图像分类任务，使用加权损失函数与使用加权抽样有实际区别吗？(我希望得到理论上的论证、经验或发表的论文，任何真正的东西。)
一些细节：
所谓“加权抽样”，是指对训练集中的每一个样本赋予不同的抽样概率。
所谓“加权损失函数”，指的是不同的加权误差项，取决于考虑的样本。
浏览 0提问于2020-06-05得票数 4
1回答
我有一个关于批次大小和顺序长度的问题。假设我有10个不同的独立时间序列，每个时间序列的长度为100。
5指从事一项活动的人，另5名是从事另一项活动的人。
我想要创建一个LSTM，它能够从每个序列中的第一个样本一直记住序列，并对我输入到一个活动中的测试样本进行分类。
现在，第一次尝试，假设我可以输入长度为100的测试样本。我该怎么做？我会创建一个LSTM，然后一次输入形状为10,100，1的数据吗？或者我会输入形状为1,100，10次的数据吗？这里的问题是，批处理是否会影响LSTM将如何记忆过去的输入？我不希望LSTM在独立序列之间记住，但我确实希望它从每个时间序列的开头一直记住。
第二，假设我
浏览 0提问于2018-07-27得票数 0
2回答
为每个样本提供权重以进行分类意味着什么？像Logistic回归或支持向量机这样的分类算法如何使用权重来比其他示例更强调某些示例？我很乐意深入了解这些算法是如何利用样本权重的。
如果查看sklearn，可以看到函数有一个可选的sample_weight参数，该参数被定义为分配给各个样本的权重数组。
浏览 31提问于2018-08-20得票数 2
我一直在阅读最新和最伟大的LLM是如何拥有数十亿个参数的。作为一个更熟悉标准神经网络，但试图更好地理解LLM的人，我很好奇LLM参数是否与NN的权重相同，即它基本上是一个从随机系数开始的数字，并且随着模型的学习以减少损失的方式进行调整吗？如果是这样的话，为什么那么多在LLM空间中工作的研究将这些称为参数，而不是仅仅调用它们的权重？
浏览 0提问于2023-04-06得票数 5
回答已采纳
在评估我们的模型时，我们需要设置sample_weight吗？现在我已经训练了一个关于分类的模型，但是数据集是不平衡的。当我用compute_sample_weight('balanced')设置sample_weight时，分数非常好。精度:0.88，召回率:0.86，用于“1”类。但是如果我不设置sample_weight，结果会很糟糕。准确率:0.85，召回率:0.21。sample_weight会破坏原有的数据分布吗？
浏览 177提问于2019-01-08得票数 4
1回答
对于大约20,000个文本数据集，真假样本为5,000对1,5000。使用Keras和Theano构建的双通道textCNN进行分类。F1评分是评价指标。F1评分不差，而混淆矩阵显示真实样本的准确度相对较低(~40%)。但是，准确地预测真实样品是非常重要的。因此，需要设计一个自定义的二值交叉熵损失函数来增加错误分类真样本的权重，使模型更加注重对真实样本的准确预测。
尝试了class_weight与model.fit方法的学习，但由于权重适用于所有样本，而不是错误分类的样本，所以效果不太好。
尝试并修正了本文提出的方法：，但损失函数是绝对交叉熵，对二值分类问题不适用。尝试将损失函数修改为
浏览 0提问于2019-04-17得票数 0
3回答
在使用时，是否可以返回在Keras中停止训练的历元数？
我可以得到训练和验证损失的日志，并使用耐心参数自己计算历元数，但是有更直接的方法吗？
浏览 0提问于2018-04-16得票数 17
回答已采纳
3回答
我正在构建一个Keras序列模型来进行二值图像分类。现在，当我使用大约70到80个历元时，我开始获得很好的验证精度(81%)。但我被告知，这是一个非常大的数字将用于划时代，这将影响网络的性能。
我的问题是:是否有数量有限的时代，我不应该超过，请注意，我有2000张培训图像和800张验证图像。
浏览 4提问于2019-06-26得票数 2
1回答
Keras损失函数值不减
、、、
我正在用Keras实现一个MLP，我注意到损失函数在历元期间不会改变。
我试着改变学习率和权重初始化，但什么都没有改变。
代码如下：
mlp = keras.models.Sequential()
# add input layer
mlp.add(
keras.layers.Input(
shape = (training_dataset.shape[1], )
)
)
# add hidden layer
mlp.add(
keras.layers.Dense(
units=training_dataset.shape[1] - 5
浏览 1提问于2020-02-22得票数 0
3回答
我正在研究房屋价格数据，目标是预测房价。
房子的价格将永远是正数，据我说，这个模型可以预测一些样本的负面结果。
如果它是正确的，是否有任何方法来控制训练，使模型总是预测至少积极的价值。
在分类情况下，我们使用Sigmoid/Softmax激活函数对结果进行概率归一化。我们能有一些正值的激活函数吗？
我能用泊松损失吗？
浏览 0提问于2020-09-02得票数 1
1回答
例如，我有训练集是20x20图像或400个特征图像来识别手写数字，我假设我在NNs中有模型3层:输入层包含400个神经元；一个隐藏层包含25个神经元，输出层包含10个神经元。我读了的第一章。
在最后一部分“用于手写数字分类的简单网络”(你可以用ctrl-f搜索)，它说“隐藏层中的神经元检测是否存在以下图像”。那么，它是不是想说隐藏层中的神经元是通过图像呈现的呢？我认为它们是有价值的像素。如果我错了，如何从输入层的神经元创建图像？
浏览 13提问于2016-09-09得票数 0
我正在研究Keras中的不平衡数据集，并希望对来自少数族裔类的样本给予更高的权重。fit()函数有一个很好的sample_weight参数，但是由于数据的大小，我不得不使用fit_generator()。
fit_generator()有一个class_weight参数，它似乎对这个目的很有用，并且已经在另一个问题中讨论过了。然而，在这种情况下，标签不是一个热编码/分类，我无法找到是否使用class_weight也允许分类数据。
可以对一个热编码/分类标签使用class_weight参数吗?如果可以，那么如何使用？还是我必须使用自定义的加权损失函数？
浏览 0提问于2017-08-11得票数 6
我有点困惑，为什么评分函数，即$f(X，W)$被选择为$W，X$，而他们谈论的是这中的Softmax和SVM损失。
他们不能用Softmax分类器或SVM分类器来解释损失吗？
是否有特别需要承担上述评分功能？
浏览 0提问于2018-01-09得票数 2
我发现在PyTorch中可以使用torchvision.transforms进行数据增强。我还读到，每个时代都有转换。因此，我想知道，多次复制每个样本，然后对其应用随机转换的效果是否等同于对原始数据集(唯一图像)使用torchvision.transforms，并将其训练更长时间(更多的时代)。提前谢谢。
浏览 1提问于2019-03-03得票数 0
1回答
类权重/样本权重的早期停止
、、、、
我正在使用TensorFlow框架中的神经网络对不平衡的多类数据进行分类。因此，我正在应用课堂权重。
我想申请早停，以减少过度适应。我担心的是，由于班级权重的影响，用于早期停止的验证集的成本计算将与培训集的成本不同，因此早期停止将无法正常工作。这是因为验证集的成本可能会偏向于数据中表示过高的类。
我的问题是：
以上所表达的关注是否正确？
如果答案是“是”，是否可以将类权重或样本权重应用于TensorFlow中的验证集，以便以类似的方式计算培训和验证集的成本？
如果这在TensorFlow中是不可能的，那么在PyTorch或其他框架中是可能的吗？
也许还有其他解决办法来解决所表达的关切？
我目前
浏览 0提问于2021-07-19得票数 0
1回答
我有一个AI项目，它使用了反向传播神经网络。
它的训练时间约为1小时，它已经从所有100个输入中训练了60-70个输入。我的意思是，在反向传播的条件下，60-70个输入是正确的。(经过训练的输入数量在60到70之间移动)。
目前，已经完成了10000多个历元，每个历元几乎需要0.5秒。
如果我离开很长一段时间，如何知道神经网络是否可以成功训练？(或者它不能训练得更好？)
浏览 1提问于2012-01-20得票数 3
回答已采纳
我要解决的问题是分类问题。对于不同的观察，错误分类的代价是非常不同的(但已知的)，所以我计划通过相应地为每个观测分配权重来将它们包括在内。我的问题是，另外，不同类别的错误分类的代价是不同的(这些差异取决于观察结果)。因此，理论上，我需要将每个观察到的w_{ij}和类j的权重纳入损失函数权重。但是，我不知道如何做到这一点，例如，对于keras中的神经网络(或者任何其他分类器，我自己都不是从零开始构建的)。
任何关于如何做到这一点的想法都将不胜感激！
浏览 0提问于2018-12-21得票数 0
回答已采纳
在计算Keras (或Tensorflow)中的损失时，是否有一种简单的使用有非均匀惩罚的方法？我的意思是，假设你有5000个训练样本，它们不一样重要，在某些情况下，我们更愿意得到更准确的预测，甚至牺牲了对其他几个样本的不准确估计。我已经有了一些代表样本重要性的系数。
有没有办法在Keras或Tensorflow上实现这样的模型？
浏览 2提问于2019-09-18得票数 0
回答已采纳
据我所知，AdaBoost的工作方式是将一个弱分类器(通常是一个一级决策树)与以前的其他弱分类器的线性组合连接起来，以提高其每次迭代后的精度。换句话说，在每次迭代m中，它都会选择\alpha_{m}和h_{m}，从而使错误函数E = \sum_{i=1}^{N}e^{-y_{i}C^{(m)}(x_i)}最小化，其中：C_m = C_{m-1} + \alpha_{m}h_{m}。我的问题是:好的。它最小化了用于C_{m}的错误函数D5，但是这与C_{m-1}的错误相比是怎样的。你如何确保每次都能做得更好？换句话说，告诉我们C_m会“稍微好一点”的数学是什么？
我的思考过程是：E考虑所有样本，
浏览 0提问于2023-04-24得票数 0
回答已采纳
这个问题的背景是，我正在尝试调试一个TensorFlow管道。我根据网络的当前预测手动计算每个示例的损失，并对误差项进行平均。我得到的数字与Keras报告的数字不同，所以问题是我是否找到了我的bug，或者如果我计算了错误的东西来与报告为“损失”的值进行比较。 Keras在这里计算的到底是什么？
浏览 87提问于2020-04-24得票数 1
回答已采纳
我目前正在用Python创建一个神经网络，我一直被困在这个问题上。
我现在通过重采样来平衡我的数据，所以数据平衡不应该是一个问题。
对于我的标签，有8个类和354个特性。我使用每个样本中的一个热向量将类/标签4转换为[0, 0, 0, 1, 0, 0, 0, 0]。
对两个隐藏层使用sigmoid并输出，在输出层上尝试使用softmax，但问题相同。
问题：
用于验证的输出层激活/输出类似于下面的[0.99999997, 0.99999997, 0.99999997, 0.99999997, 0.99999997, 0.99999997, 0.99999997, 0.9
浏览 1提问于2018-10-20得票数 1
我正在致力于纹理分类，并在以前工作的基础上，我试图修改AlexNET的最后一层，使其有20个类，并且只为我的多类分类问题训练该层。我正在使用Tensorflow-GPU的NVIDIA GTX 1080，Python3.6上的Ubuntu 16.04。我正在使用梯度下降优化和类估计来构建这个。我还使用两个退出层进行正则化。因此，我的超参数是学习速率、batch_size和weight_decay。我尝试使用batch_size为50,100,200，weight_decays为0.005和0.0005，学习率为1e-3,1e-4和1e-5。上述各值的训练损失曲线均呈相似的趋势。
我的训练损失曲线
浏览 1提问于2018-02-15得票数 1
2回答
我试图在Pascal 2012数据集上对VGG-16进行培训，该数据集有20个标签的图像(给定的图像可以有多个类)。这些例子是高度不平衡的，所以我已经“平衡”了它们，使得每个标签在培训集中的表示大致相等。
但这意味着，对于每个标签，5%的总图像是积极的例子和95%的阴性样本。没有办法实现对所有班级的50/50的分割。
我在最后的VGG层使用二进制交叉熵损失和sigmoid激活，因为这是一个多标签问题。二进制的准确性看起来很高，但是实际上，对于任何给定的类，结果都是相当令人沮丧的(大约15%的回忆)。该分类器不适合于正示例，而且偏向于报告负结果，因为这与数据分布相匹配(非常少的阳性样本)。
在这
浏览 0提问于2020-07-20得票数 1
在pybrain文档中，我找到了的以下文档：
trainUntilConvergence(dataset=None，maxEpochs=None，verbose=None，continueEpochs=10，validationProportion=0.25)
在dataset上训练模块，直到它收敛为止。
返回给出最小验证错误的参数的模块。
如果没有给定数据集，则使用在培训器初始化期间传递的数据集。validationProportion是
用于验证数据集的数据集。
如果给出了maxEpochs，最多只能训练许多时代的人。每次验证错误达到最小值时，请尝试使用continueEpochs历元来
浏览 4提问于2015-07-01得票数 0
我打算使用从CNN获得的特征图来做一个分类器。有人能建议我如何做到这一点吗？
如果我首先使用+ve和-ve样本训练CNN (从而获得权重)，然后每次需要对图像进行分类时，我应用卷积层和池化层来获得特征图，这会起作用吗？我在其中发现的问题是，我想要分类的图像可能没有类似的特征图，因此我无法正确地找到距离。因为特征的顺序在层中可能不同。
浏览 0提问于2016-10-08得票数 0
2回答
我是一个新的程序员，这是我在现实世界中应用的第一个神经网络。
这是一个交易，我使用的是一个没有经过训练的VGG-16，上面有一些密集的层。(用于图像分类问题)
但是，不管我改变了什么超参数，我总是得到类似于这些参数的图。
📷
📷
因此，我的问题是，在什么样的损失(val_loss)，我们可以考虑模型培训？
如果我给VGG-16提供的图像是RGB/255，有问题吗？
如果有人能解释高的验证损失(即使验证的准确性很高)会对模型产生多大的影响？
谢谢你花时间回答我，如果这些问题看起来很愚蠢，我很抱歉，但我在其他地方找不到答案。
浏览 0提问于2018-05-24得票数 3
回答已采纳
1回答
我了解到，在支持向量机()中，可以添加一个松弛变量ε来“软化”边框。阅读一些教科书，它提到，ε>1将允许相应的样本被错误地分类为属于错误的类。因此，例如，如果我们有：
g = yf(x)
如果是实际的类标签(1或-1)和模型的预测(实数)之间的乘积，那么任何正确分类的样本都会导致g为正。(例如:y和f(x)都是正的，它们都是负的。
因此，我们可以将模型的损失计算为max(0, 1-g)，其中任何错误分类的样本都会导致1-g > 0和正损失。通过增加max(0,1-g-ε)项得到了ε项，从而使模型更能容忍错误。
然而，是否只有ε>1允许错误分类，而0<ε<1只允许样
浏览 3提问于2015-10-13得票数 0
1回答
考虑一个二进制分类场景，在这种情况下，True类(5%)与False类(95%)的平衡严重不足。我的数据集包含数字数据。我正在使用SKLearn并尝试一些不同的算法，如梯度增强分类器、随机森林分类器和支持向量分类器。由于不平衡方面，我在所有方法(fit、score、confusion_matrix等)中使用“confusion_matrix”，并将其填充到下面的权重数组中，这样，给出了一个值为20的真值，给出了一个值为1的假值。
sample_weight = np.array([20 if i == 1 else 1 for i in y_test])
这应该是为了“平衡”分类。这首先是正确
浏览 0提问于2022-01-14得票数 2
1回答
关于激活功能工作机制的混淆
、、、、
对于二进制分类，无论使用何种模型，sigmoid函数对于输出层都是一个很好的选择，因为实际的输出值‘Y’要么是0，要么是1，因此预测的输出值在0到1之间是有意义的。
我的困惑是，在输出层中是否存在一个二元步长函数，它将权重和输入的线性组合的值压缩为0或1？分类是否意味着总是在隐藏层的线性或非线性函数之上应用阈值函数？
假设预测的产值为0.75，实际Y为0。那么，0.75如何转换为1呢？损失函数按实际预测= 0-0.75 = -0.75计算误差。
有人能解释一下数学或指出一些工作步骤显示的链接吗？谢谢。
浏览 0提问于2019-06-17得票数 1
回答已采纳
我正在训练一个模型，并希望使用mAP度量。由于某些原因，tensorflow mean_average_precision_at_k不适合我，但是sklearn average_precision_score工作。如何才能访问keras的模型输出来执行sklearn度量？我可以编译模型一次，并适合于10个历元，执行公制，再适合10个历元吗？还是我需要保存模型并每次重新加载它？谢谢
浏览 0提问于2019-08-03得票数 1
回答已采纳
我正在建立一个时间序列分类模型。数据非常不平衡，所以我决定用一个加权交叉熵函数作为我的损失。
Tensorflow提供了，但我不知道如何在Tf2.0中使用它。由于我的模型是使用tf.keras API构建的，所以我考虑创建自定义丢失函数，如下所示：
pos_weight=10
def weighted_cross_entropy_with_logits(y_true,y_pred):
return tf.nn.weighted_cross_entropy_with_logits(y_true,y_pred,pos_weight)
# .....
model.compile(loss=we
浏览 0提问于2019-08-08得票数 4
回答已采纳
1回答
多标号分类损失函数
、、、、
我在许多地方看到，对于使用神经网络的多标记分类，一个有用的损失函数是每个输出节点的二进制交叉熵。
在Tensorflow中，它看起来是这样的：
cost = tf.nn.sigmoid_cross_entropy_with_logits()
这提供了一个数组，其值与我们拥有的输出节点一样多。
我的问题是，这个成本函数是否应该与输出节点的数量相加？在Tensorflow中是这样的：
cost = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits())
还是每个损失都是独立处理的？
谢谢
浏览 0提问于2018-05-17得票数 4
回答已采纳
2回答
我正在建立用于图像分析的神经网络，以进行胸部X线分类(异常/通过)。
对异常X射线的分类精度较低，可能是由于缺乏异常样本训练所致。
附加图像是我构建的模式。是否有任何方法来提高异常X射线的分类精度？
📷
浏览 0提问于2019-07-17得票数 0
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
对象存储
实时音视频
即时通信 IM活动推荐
腾讯云开发者
