TFLearn回归损失函数未初始化
TFLearn是一个基于TensorFlow的深度学习库，用于快速构建和训练神经网络模型。回归损失函数是在回归问题中用于衡量预测值与真实值之间差异的指标。
在TFLearn中，回归损失函数需要进行初始化才能使用。如果在使用TFLearn构建模型时，没有显式地初始化回归损失函数，就会出现"TFLearn回归损失函数未初始化"的错误。
为了解决这个问题，可以使用TFLearn提供的损失函数初始化方法来初始化回归损失函数。具体步骤如下：
- 导入TFLearn库和其他必要的库：
import tflearn- 定义回归损失函数：
loss = tflearn.mean_square(y_pred, y_true)其中，y_pred是模型的预测值，y_true是真实值。
- 初始化回归损失函数：
tflearn.init_graph()
network = tflearn.regression(network, loss=loss)其中，network是定义好的神经网络模型。
- 构建模型并进行训练：
model = tflearn.DNN(network)
model.fit(X, Y, n_epoch=10, batch_size=16, show_metric=True)在上述代码中，X是输入数据，Y是对应的真实值。
总结起来，TFLearn回归损失函数未初始化的问题可以通过使用TFLearn提供的损失函数初始化方法来解决。这样可以确保回归损失函数被正确地初始化并用于模型训练。
相关·内容
1回答
我使用tflearn.DNN构建了一个深度神经网络：
# Build neural network
net = tflearn.input_data(shape=[None, 5], name='input')
net = tflearn.fully_connected(net, 64, activation='sigmoid')
tflearn.batch_normalization(net)
net = tflearn.fully_connected(net, 32, activation='sigmoid')
tflearn.batch_n
浏览 5提问于2017-08-25得票数 0
回答已采纳
我想预测利率，我有一些相关的因素，如股票指数和货币供应量，诸如此类。因素的数量可能高达200个。
例如，训练数据，如，X包含因素，y是我想要训练和预测的利率。
factor1 factor2 factor3 factor176 factor177 factor178
X= [[ 2.1428 6.1557 5.4101 ..., 5.86 6.0735 6.191 ]
[ 2.168 6.1533 5.2315 ..., 5.8185 6
浏览 2提问于2017-11-11得票数 0
回答已采纳
1回答
tflearn DNN给出零损失
、、、、
我正在使用pandas提取我的data。为了了解我的data，我复制了一个示例数据集..。
data = pd.DataFrame(np.random.randint(0,100,size=(100, 4)), columns=list('ABCD'))
生成shape=(100,4)的数据集..。
A B C D
0 75 38 81 58
1 36 92 80 79
2 22 40 19 3
... ...
我正在使用tflearn，所以我也需要一个目标标签。因此，我从data中提取了一个列，然后将其从data变量中删
浏览 1提问于2017-11-11得票数 1
回答已采纳
我的网络为每个预测产生相同的输出。我在一个熊猫数据框中有大约49,000个数据样本。
我该如何解决这个问题呢？
# Input data X.as_matrix() => 8 dimensional array
# One example: [1.50000000e+00,3.00000000e+00,6.00000000e+00,2.40000000e+01,9.50000000e+01,3.00000000e+03,5.00000000e+00,1.50000000e+00]
import tensorflow as tf
import tflearn
with t
浏览 1提问于2017-02-11得票数 3
1回答
基于DNN的多标号预测
、、、
我试图预测给定文本的几个标签。它适用于单个标签，但我不知道如何实现多标签预测的置信度。
我有以下非正态化格式的数据：
┌────┬──────────┬────────┐
│ id │ Topic │ Text │
├────┼──────────┼────────┤
│ 1 │ Apples │ FooBar │
│ 1 │ Oranges │ FooBar │
│ 1 │ Kiwis │ FooBar │
│ 2 │ Potatoes │ BazBak │
│ 3 │ Carrot │ BalBan │
└────┴──────────┴────────
浏览 3提问于2018-01-22得票数 1
回答已采纳
1回答
我试着用这个代码训练一个强化学习智能体，使用的是gym和tflearn：
from tflearn import *
import gym
import numpy as np
env = gym.make('CartPole-v0')
x = []
y = []
max_reward = 0
for i in range(1000):
env.reset()
while True:
action = env.action_space.sample()
observation, reward, done, info = env
浏览 0提问于2017-10-23得票数 0
编写了下面的代码来学习XOR函数，但是大约有一半的时间网络不学习，每个时代之后的损失保持不变。
train_f = [[0, 0], [0, 1], [1, 0], [1, 1]]
train_c = [[0], [1], [1], [0]]
test_f = train_f
test_c = train_c
import tensorflow as tf
import tflearn
X = [[0., 0.], [0., 1.], [1., 0.], [1., 1.]]
Y_xor = [[0.], [1.], [1.], [0.]]
# Graph definition
with
浏览 12提问于2016-05-11得票数 10
回答已采纳
我正在尝试使用TFlearn (nee ) TensorForestEstimator进行回归，当我适应()时，它就是抛出核心。在我的ForestHParams中，我设置了num_classes=0和regression=True。这些是否是回归的正确设置？我用的是Tensorflow 0.10.0
浏览 1提问于2016-09-28得票数 1
回答已采纳
1回答
我正在使用tflearn的DNN，我想改变我的特征和标签，使之成为绝对的，而不是数字的。
这是我的网：
x = tf.placeholder(dtype= tf.float32, shape=[None, 6], name='x')
# Build neural network
input_layer = tflearn.input_data(shape=[None, 6])
net = input_layer
net = tflearn.fully_connected(net, 128, activation='relu')
net = tflearn.ful
浏览 4提问于2017-05-15得票数 0
我找不到重量的曼哈顿距离与α相乘的地方(L1 reg )。系数)，在拉索回归和分位回归源代码的科学学习。
我试图实现拉索回归和分位数回归w/ NumPy，并比较结果w/ scikit-学习模型。
浏览 3提问于2022-03-29得票数 0
2回答
我用logistic回归法解决了泰坦尼克号问题，现在我要用神经网络来解决这个问题。但我的模型总是返回1，这意味着幸存了。对于每一个测试输入。也许我的模型有问题。我怎么能解决这个问题？
train_data = pd.read_csv('data/train.csv')
test_data = pd.read_csv('data/test.csv')
#Some data cleaning process
#......
X_train = train_data.drop("Survived",axis=1).as_matrix()
Y_tr
浏览 1提问于2018-07-11得票数 2
回答已采纳
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。我也检查GBT在科学知识-学习图书馆机器学习。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_回归树都适用于二项或多项偏差损失函数的负梯度。二进制分类是一种特殊情况，其中只有一个回归树是归纳出来的。
来源：
问题是，为什么我们用回归树来学习GBT而不是分类树呢？如果有
浏览 0提问于2018-04-25得票数 0
回答已采纳
我使用的是Tensorflow 1.2，代码如下：
import tensorflow as tf
import tensorflow.contrib.layers as layers
import numpy as np
import tensorflow.contrib.learn as tflearn
tf.logging.set_verbosity(tf.logging.INFO)
# Naturally this is a very simple straight line
# of y = -x + 10
train_x = np.asarray([0., 1., 2., 3.
浏览 5提问于2017-06-18得票数 2
我有一个具有两个损失函数的神经网络，一个是两个类别的二进制交叉熵，另一个是回归。现在，我希望只评估class_2的回归损失，并为class_1返回0，因为回归的功能对class_1没有意义。
我如何在Keras中实现这样的算法？
仅在class_1数据上单独训练它是不起作用的，因为我得到了nan损失。有更优雅的方法可以将损失定义为一半数据集为0，另一半为mean_square_loss吗？
浏览 1提问于2018-01-23得票数 0
回答已采纳
我在TFLearn中使用了TFLearn模型，有一种方法可以定义回归层，即：
tflearn.layers.estimator.regression (incoming, placeholder='default', optimizer='adam', loss='categorical_crossentropy', metric='default', learning_rate=0.001, dtype=tf.float32, batch_size=64, shuffle_batches=True, to_one_hot=Fal
浏览 2提问于2017-09-13得票数 0
我想问，在logistic回归中找到根的主要原因是什么(也就是为什么我们在logistic回归中使用牛顿拉夫森方法)。我理解牛顿拉夫森方法的基本原理，但我不明白寻找根或使用二阶导数的重要性。
我知道牛顿·拉夫森的想法，我想知道为什么我们要用这个方法去寻找函数的零点或根呢？以逻辑回归为例，它想告诉我们什么？
浏览 0提问于2018-05-02得票数 3
回答已采纳
根据我的理解，线性回归被用来预测一个基于输入的输出，它使用一个线性方程来最优地拟合一些输入数据。利用损失函数对输入数据选择最佳拟合线性方程。通过模拟y= mx +b中m和b的值，可以找到具有梯度下降的最优线性方程组。
我的问题是，梯度下降总是找到线性回归的全局最小损失吗？这个问题的一个扩展是，对前一个问题的答案不取决于所使用的损失函数吗？此外，当我们在m，b的图上使用梯度下降以及损失函数的值时，如果我们使用线性回归，该图是否总是凸的？
浏览 0提问于2021-10-04得票数 2
回答已采纳
1回答
我正在使用tensorflow实现tflearn的lstm imdb 。
我使用了与tflearn模型相同的数据集、体系结构和超参数(嵌入大小、最大句子长度等)，但我的模型的性能比tflearn示例差(经过10个时期后，我的模型获得了大约52%的准确率，而示例的准确率接近80% )。
如果您能给我一些建议来实现示例的适当性能，我将非常感激。
下面是我的代码：
import tensorflow as tf
from tflearn.data_utils import to_categorical, pad_sequences
from tflearn.datasets import imdb
浏览 0提问于2017-11-18得票数 0
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
有谁能解释一下tensorflow的基本分类损失和定位损失意味着什么？
在使用tensorflow API的SSD培训过程中，我得到了这些损失，但根本不理解这两种损失。
我读到，本地化丢失是包围盒回归器的丢失，这就产生了一个新的问题，那就是包围盒回归器是什么？
谁能简单介绍一下吗？
浏览 1提问于2018-07-09得票数 0
1回答
我是机器学习和TensorFlow的新手。我试着训练一个简单的模式来识别性别。我用的是一些小的数据--身高、体重和鞋码。然而，我在评估模型的准确性方面遇到了一个问题。以下是整个代码：
import tflearn
import tensorflow as tf
import numpy as np
# [height, weight, shoe_size]
X = [[181, 80, 44], [177, 70, 43], [160, 60, 38], [154, 54, 37], [166, 65, 40],
[190, 90, 47], [175, 64, 39], [177
浏览 6提问于2016-12-08得票数 1
回答已采纳
2回答
自定义损失函数
、、
是否有可能在回归模型中应用自定义损失函数(或任何其他预测连续变量的算法)？我正在研究一个股票市场预测模型，我需要最大化以下损失函数:如果预测 < 实际，那么预测 -actual。那有可能吗？谢谢
浏览 0提问于2020-05-30得票数 0
我正在使用新的高级api构建tensorflow模型。我的模型看起来像下面的截图
。
实际上，由于模型是用来模拟游戏操作的，所以模型比模型更复杂。分类负责决定是否是行动的好时机。然后，回归将提供有关该操作的详细信息。它包含CNN和RNN的组合。
然而，由于复杂性和内存消耗，不可能将分类和回归作为两个网络同时训练和运行。另外，当我创建我的估计器时：
# Create the Estimator
mnist_classifier = tf.estimator.Estimator(
model_fn=cnn_model_fn, model_dir="/tmp/mnist_con
浏览 15提问于2017-08-25得票数 0
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C。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器。在logistic回归中，参数C的大值等于选择参数\lambda的小值。那么，对于\lambda来说，具有小值的logistic回归是否也是一个大边缘分类器？
浏览 0提问于2020-03-12得票数 3
回答已采纳
我想用XGBoost解决一个回归问题。我对学习任务参数objective 感到困惑，**似乎'objective‘是用来设置损失函数的。**但我不能理解’reg:线性‘是如何影响损失函数的。在逻辑回归演示()中，objective =binary:逻辑平均损失函数是逻辑损失function.So 'objective=reg:linear‘对应于哪个损失函数？
浏览 18提问于2016-10-25得票数 5
回答已采纳
我想加载一个我以前训练过的模型，然后用新的训练数据更新这个模型。但我发现这个任务很难完成。
我从那里学到
实现weka.classifiers.UpdateableClassifier接口的分类器可以递增地接受训练。
然而，我训练的回归模型使用的是weka.classifiers.functions.MultilayerPerceptron分类器，它没有实现UpdateableClassifier。
然后我检查了Weka API，结果发现没有回归分类器实现了UpdateableClassifier.。
如何在Weka中训练回归模型，然后在加载模型后用新的训练数据对模型进行更新？
浏览 3提问于2013-11-22得票数 1
我还在学习如何实现tflearn网络，所以请耐心等待。我从这里尝试了tflearn示例代码：
但奇怪的是，损失从未下降，在整个训练过程中，我看到的所有验证准确率都是10% (相当于此数据集的随机精度)。
然而，仅注释掉2D卷积和最大池化操作，验证精度在前10个时期跃升至0.47的验证精度。
这是修改后的代码，看起来效果更好。代码的其余部分与上面的链接相同
network = input_data(shape=[None, 32, 32, 3],
data_preprocessing=img_prep,
data
浏览 6提问于2016-08-11得票数 0
回答已采纳
1回答
在如此多的事情上得到帮助之后，我最后一次来到这里是为了我的最后一个问题，以至于我找不到解决办法。
继我之前的之后，一个用户指出，我对时间序列预测的坏结果可能是因为我的体系结构不收敛。
在查看了它之后，尝试了一些我在其他问题(设置权重、降低学习率、更改优化器/激活)上发现的修正，我似乎无法获得更好的结果，总是在0(或0.0003，这还不够好)的准确性。
我的代码：
import numpy
import numpy as np
import tflearn
from pandas import DataFrame
from pandas import Series
from pandas imp
浏览 2提问于2017-07-13得票数 0
回答已采纳
我试着学习快速入门泰坦尼克教程，并做了一些进一步的测试。我通过8个浮点输入预测了一个浮点目标，并修改了一些教程，然后修改了“ValueError: Cannot feed value of shape (64，) for张量u‘’TargetsData/Y:0‘，它的形状为'(?，1)’。”
构建神经网络
net = tflearn.input_data(shape=[None, 8])
net = tflearn.fully_connected(net, 32)
net = tflearn.fully_connected(net, 32)
net = tflearn.fully_co
浏览 3提问于2016-07-30得票数 1
1回答
实际上，我正在阅读本教程关于deepLearning的文章，特别是关于Logistic回归的文章。
我不明白为什么它首先说优化logistic回归，取最大概率，并在使用日志损失函数之后？
对不起，你能解释一下他会在哪里使用Argmax，哪里会使用损失？
你不会只需要这两个中的一个吗？
浏览 0提问于2016-06-30得票数 2
1回答
TFLearn导入错误
、、、、
我把tensorflow和码头安装在我的窗户机器上了。我要用powershell打开tensorflow
码头运行-it -p 8888:8888 tensorflow/tensorflow
它是在ipython笔记本上打开的。但当我想进口
导入tflearn :没有名为tflearn的模块。
在那之后，我安装了
pip安装tflearn
但还是犯了同样的错误。大家都知道有什么问题吗？
浏览 0提问于2017-02-22得票数 0
回答已采纳
根据文档的Scikit-学习梯度增强回归：
init:估值器或“零”，default=None:用于计算初始预测的估计器对象。init必须提供拟合和预测。如果为“零”，则初始原始预测设置为零。默认情况下，使用DummyEstimator，预测平均目标值(用于损失=‘ls’)，或预测其他损失的分位数。
那么，如果损失函数是'huber‘，那么DummyRegressor使用什么分位数？是50分位数吗？中位数？
我需要这些信息，因为我正在重建梯度增强回归器的预测器，以便在另一个软件环境中使用。
浏览 0提问于2020-12-25得票数 1
回答已采纳
我正在研究tensorflow (准确地说，使用CNN检测对象)。
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-
tf.nn.softmax_cross_entropy_with_logits(logits=result，labels=Y)
(结果是我的CNN输出张量)
但是在回归问题上，如半分割和目标检测，我发现我不得不使用L2-丢失函数。
tf.nn.l2_loss(t=result)
我不知道如何使用这个函数，因为我不能使用tf.argmax函数。
源代码1分类，使用softmax和tf.argmax
cross_entropy
浏览 0提问于2019-05-03得票数 1
回答已采纳
1回答
随机梯度下降分批
、、、
我对回归很陌生，我们在一门课程中做了一个非常简单的练习。我采取了一个基本的了解GD和SGD的线性回归。
据我理解，GD和SGD之间唯一的区别是，SGD不像GD中的处理那样对数据集大小m执行算法，而是对m的子集执行操作。
我的问题是，对于SGD来说，是简单地在小型批处理上执行算法，还是有某种结果的求和来给出最终的答案？抱歉，如果我没有用正确的术语来问，我对一些涉及的数学概念是更新的。
浏览 0提问于2018-04-24得票数 0
回答已采纳
学习GradientBoostingRegressor：
📷
我在看GradientBoostingRegressor的scikit学习文档。
这里说，我们可以使用'ls‘作为一个损失函数，这是最小二乘回归。但是我很困惑，因为最小二乘回归是一种最小化SSE损失函数的方法。
所以他们不应该在这里提到SSE吗？
浏览 0提问于2020-10-22得票数 1
回答已采纳
1回答
我希望在Matlab中使用在线逻辑回归训练，在其中我通过展示第一个样本来训练模型，评估模型，然后添加第二个样本，评估等。
我可以这样做，首先在第一个样本上创建一个模型，评估它，丢弃这个模型；然后在第一个和第二个样本上创建一个模型，评估它，等等，但这是非常无效的。有没有办法在Matlab中对logistic回归模型进行“真正的”在线训练？
浏览 0提问于2016-01-19得票数 0
2回答
低估和高估的不同成本
、、、、
我有一个回归问题，但成本函数是不同的:低估的成本高于高估的成本。例如，如果预测值<TRUE值，则成本为3*( true -预测)^2；如果预测值>TRUE值，则成本为1*( true -预测)^2。
我正在考虑使用经典的回归模型，如线性回归，随机森林等。我应该做哪些修改来调整这个成本函数？
据我所知，诸如scikit-learn之类的ML API不提供直接修改成本函数的功能。如果我必须使用这些API，我该怎么办？
有什么推荐的读物吗？
浏览 1提问于2017-06-28得票数 2
我有一个预先训练过的alexnet，用于分类任务。现在我想改变回归任务的模型。
在tensorflow的下面代码中，我应该对丢失函数做什么更改？因为这是回归，我没有标签，而是输出向量。
with tf.name_scope("cross_ent"):
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits = score, labels = y))
另外，在转换模型时，还有什么我应该注意的吗？
浏览 1提问于2017-03-29得票数 1
回答已采纳
1回答
Logistic和线性回归具有不同的成本函数。但我不明白logistic回归中的梯度下降与线性回归是如何一致的。
通过推导平方误差代价函数，得到了梯度下降公式。然而，在Logistic回归中，我们使用了一个对数成本函数。我想我在这里迷路了。
浏览 0提问于2018-01-22得票数 1
回答已采纳
我试图更多地理解元音，并在线性回归教程中看到了这个说法。()
“最后，打印了一些更直观的总计。最佳常数和最佳常数的损失只有在使用平方损失时才能工作。平方损失是Vowpal Wabbit默认值。它们计算最佳常数的预测器和最佳常数预测器的损失。
如果平均损失并不比最佳常数的损失好，那么就有问题了。在这种情况下，我们的例子太少，无法概括。“
基于这一背景，我有两个相关问题：
是基于线性回归中零模型损失的最佳常数损失？是“平均损失”不优于适用于所有损失函数的“最佳常数损失”的一般经验规则(因为声明中确实指出“最佳常数”只适用于默认的平方损失函数)？
谢谢您的回复！
浏览 5提问于2020-02-17得票数 1
回答已采纳
我正在为caffe中的回归问题完成imagenet。目前我正在使用欧几里登损失，但我不认为它对我的情况有任何好处。
我希望损失值是预测标签和实际标签之间的。我怎样才能做到呢？
请帮帮我！
浏览 1提问于2016-01-04得票数 2
回答已采纳
我是ML的新手，我刚刚学习了线性回归和逻辑回归。我想知道这些成本函数是如何决定的，以及这些函数是如何推导出来的？我们如何知道这些成本函数是否适用于特定的问题？
换句话说，我不确定如何证明这些成本函数对于特定问题是准确和合适的。我们有时会在ML中的任何时候想出我们自己的成本函数吗？
浏览 0提问于2017-06-25得票数 1
这是我第三次尝试从地面上得到一个深入的学习项目。我在研究蛋白质序列。首先我尝试了TFLearn，然后是原始的TensorFlow，现在我正在尝试Keras。
前两次尝试教会了我很多，并给了我一些代码和概念，我可以重用。然而，一直存在一个障碍，我问了一些开发人员无法回答的问题(在TFLearn的情况下)，或者我只是陷入了困境(TensorFlow对象内省是乏味的)。
我编写了这个TensorFlow损失函数，我知道它能工作：
def l2_angle_distance(pred, tgt):
with tf.name_scope("L2AngleDistance"):
浏览 1提问于2018-01-01得票数 8
回答已采纳
因此，假设我有一个二进制分类问题，我从一个logistic回归模型开始。我快速地评估了模型的准确性(假设我们没有倾斜的数据集)。在此之后，我开始实现其他模型的比较，我开始检查准确性评分，并绘制一条ROC曲线来评估AOC评分。
我们可以说，我继续我的logistic回归模型。我不打算微调它和使用网格搜索算法，然后继续选择最佳的超级参数w.r.t的准确性评分。
我什么时候才能真正画出学习和验证曲线？我假设我应该把它画在旁边，看看一个更大的参数是如何影响分数的，然后看看我的模型是不合适的还是过拟合的。
但是，我不应该更早地绘制学习曲线吗?例如，在我选择从后勤部门开始的第一步。模特？
总结一下:画出一
浏览 0提问于2020-09-14得票数 0
当我在Python中导入tflearn时，它显示ModuleNotFoundError: No module名为‘tensorflow.contri.framework’，有人知道如何处理这个问题吗？谢谢。
Traceback (most recent call last):
File "", line 1, in
File "C:\Users\User\Anaconda3\lib\site-packages\tflearn_init_.py", line 4, in
from . import config
File "C:\Users\User\
浏览 44提问于2018-07-24得票数 2
回答已采纳
1回答
我试图在LightGBM中为回归问题实现一个自定义丢失函数。内在指标对我没有多大帮助，因为它们会惩罚离群点.有没有办法将r2_score从sklearn中用作LightGBM的损失函数？
浏览 0提问于2020-04-01得票数 2
回答已采纳
1回答
有几种“经典”的方法来量化(任何！)回归模型如RMSE、MSE、解释方差、r2等。
然而，这些指标并没有将“成本”考虑在内，例如，对我来说，低估一个值(实值: 0.5，预测值为0.4)比过度预测值(真实值: 0.5，预测值: 0.6)更糟糕。
我如何将这样的成本建模成一个评估函数？我只需要一个第一个想法，并将欢迎任何建议。
浏览 0提问于2017-11-20得票数 0
回答已采纳
1回答
在Ross的快速R论文(https://arxiv.org/abs/1504.08083)中，包围盒参数是连续变量.这些值是用回归方法预测的。与其他神经网络输出不同，这些值并不表示输出类的概率。相反，它们是物理值，表示包围框的位置和大小。
我不清楚这种回归学习是如何发生的。线性回归和深度学习的图像分类在较早的时候得到了较好的解释。但是，线性回归算法在CNN环境下的工作原理还没有得到明确的解释。
你能解释一下简单易懂的基本概念吗？
浏览 0提问于2018-04-20得票数 10
我使用以下参数
vw -d train_output -f data.model --loss_function logistic
这是让Vowpal Wabbit理解我想要应用逻辑回归的正确方式吗？
浏览 1提问于2014-04-12得票数 3
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
