腾讯云
开发者社区
文档
建议反馈
控制台
首页
学习
活动
专区
工具
TVP
最新优惠活动
文章/答案/技术大牛
搜索
搜索
关闭
发布
登录/注册
精选内容/技术社群/优惠产品,
尽在小程序
立即前往
文章
问答
(9999+)
视频
沙龙
1
回答
多
输出
回归
问题
的
多重
损失
python
、
machine-learning
、
deep-learning
、
neural-network
因此,我正在尝试训练CNN模型来预测4个实值
输出
(
回归
问题
),我尝试使用均方误差作为
损失
函数,我
的
问题
是,如果我将
输出
层分为4个不同
的
输出
层,具有4个不同
的
损失
(4 MSE),这是否会使网络在最后一层
的
权重单独更新方面表现更好
浏览 59
提问于2020-01-28
得票数 2
1
回答
多
输出
模型
的
编译选项:
多重
损失
和
损失
加权
python
、
keras
、
deep-learning
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
浏览 2
提问于2018-05-28
得票数 3
1
回答
如何使用两个数据集
的
两个
损失
在一个pytorch nn?
deep-learning
、
neural-network
、
pytorch
、
loss-function
、
multitasking
这是我
的
问题
。对于
回归
问题
,我有两个不同
的
数据集,具有相同
的
特征域,共享一个神经网络。输入是特征,
输出
是目标值。第一个数据集使用正常丢失,而第二个数据集则试图为其创建一个新
的
损失
。我寻找了
多重
损失
的
问题
,人们通常有两个
损失
总结为落后
的
过程.但我想依次利用
损失
。(当我训练第一个数据集时,nn使用第一个
损失
浏览 1
提问于2020-10-19
得票数 1
回答已采纳
1
回答
在Pytorch上使用sigmoid
输出
进行交叉熵
损失
python
、
pytorch
、
loss-function
、
cross-entropy
我正在尝试修改Yolo v1来处理我
的
任务,每个对象只有一个类。(例如: obj不能同时是猫和狗) 由于架构
的
原因(其他
输出
,如本地化预测,必须使用
回归
),因此sigmoid被应用于模型
的
最后
输出
(f.sigmoid(nearly_last_output))。对于分类,yolo 1也使用MSE作为
损失
。但据我所知,MSE有时并不像我想要
的
那样,与交叉熵相比进行得很好。具体如下: GT:0 0 0 0 1 (假设我们总共只有5个类,每个类只有1个类,所以
浏览 0
提问于2020-09-16
得票数 2
1
回答
在LightGBM中消除eval、obj (目标)和度量
的
歧义
r
、
lightgbm
我是在提到R库lightgbm时问这个
问题
的
,但我认为它同样适用于Python版本。 eval 求值函数,可以是字符列表或自定义函数。
损失
公平,公平
损失
泊松,泊松
回归
ndcg,NDCG地图,map auc,AUC binary_logloss
浏览 6
提问于2017-06-01
得票数 7
回答已采纳
1
回答
提供恒定
输出
的
一维卷积网络
python
、
tensorflow
、
neural-network
、
deep-learning
、
conv-neural-network
我想用一维卷积神经网络进行
回归
。我不确定是否正确设置了代码。每个输入样本本质上是一个含有40个元素
的
一维向量,所以在第一个卷积层中,我希望每个滤波器沿着训练批中每个向量
的
长度传递。我是否正确地设置了宽度、高度、通道等来达到这个目的?换句话说,我
的
'X‘张量包含行
的
样本,列是各种特性。我将每一列缩放到范围0.0、1.0。因为我使用
的
输出
层只有一个神
浏览 0
提问于2019-05-22
得票数 0
回答已采纳
2
回答
是否可以使用tensorflow创建一个神经网络,将某个输入映射到某个
输出
?
classification
、
neural-network
、
tensorflow
我目前正在使用tensorflow,但似乎无法控制它是否对我
的
问题
有用吗? 我需要创建一个神经网络,它能够将输入映射到
输出
。事情进展
的
方式,我没有一个例子,在这已经做了,所有类型
的
问题
tensorflow似乎解决
的
是分类任务,而不是这样
的
映射
问题
.tensorflow是否能够做到这一点?我是否必须使用不同
的
神经网络框架才能做到这一点?如果有可用的话,是否有人可以显示一些代码(不是MNIST示例)?我
的</em
浏览 0
提问于2016-10-13
得票数 4
回答已采纳
2
回答
将
回归
问题
转化为分类
问题
machine-learning
、
classification
、
regression
在TA会议上,我
的
助教声称,
回归
问题
通常应该通过将
输出
范围划分为回收箱,然后使用
多
损失
,因为我们有比
回归
算法更好
的
分类
问题
。根据我
的
理解,这在本质上是错误
的
,因为它抛弃了这个属性,即“接近正确比正确得多”。所有错误
的
课程都是同样错误
的
。我问我
的
教授,但他只是说,有一些申请是有意义
的
,不想再讨论它了。 我说错了吗?什么时候应该将<
浏览 0
提问于2021-03-05
得票数 4
1
回答
Tensorflow Cifar10教程示例丢失是nan
python
、
tensorflow
在彻底阅读和视频之后,我尝试重新创建提供
的
示例,但是,为了不仅复制和粘贴,我决定做一些小
的
修改,看看我是否理解我在做什么,因此我决定使用CIFAR-10数据集(小
的
32x32 rgb图像)。start:stop]}) break # Only first batch for now 这就给我留下了
输出
我试着寻找有同样
问题
的人,但是只发现了不同
的
场景
问题
,
浏览 0
提问于2016-12-08
得票数 0
回答已采纳
1
回答
梯度提升树
的
弱学习分类/
多
类分类
machine-learning
、
scikit-learn
、
classification
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_clas
浏览 0
提问于2018-04-25
得票数 0
回答已采纳
1
回答
是否有方法在肺癌数据集中使用
多
类分类(表示肺癌
的
异常类型)?
python
、
image-processing
、
deep-learning
、
conv-neural-network
、
classification
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
3
回答
二元分类与数字标号
deep-learning
、
nlp
、
lstm
、
sentiment-analysis
我试图使用一个数据集来创建一个情绪分析模型,该数据集包含我标记为1
的
50000条正消息,以及我标记为0
的
50000条负面消息。此外,我还获得了10000条中立
的
推文。由于中性tweet
的
数量较少,我
的
思路是将中性标记为0.5,并使用二进制交叉熵作为
损失
函数对模型进行训练。我
的
输出
层是一个带有乙状结肠激活函数
的
神经元,所以预测值在(0,1)之间。我
的
想法是正确
的
还是它会破坏准确性?
浏览 0
提问于2021-02-14
得票数 4
1
回答
滑雪"RidgeClassifier“是做什么
的
?
python
、
machine-learning
、
scikit-learn
、
logistic-regression
我试图理解RidgeClassifier和LogisticRegression在sklearn.linear_model中
的
区别。我在文件里找不到。我从零开始检查一个简单
的
实现,结果是一致
的
。 RidgeClassifier
的
结果是不同
的
,我也搞不清楚,这里
的
系数和截距是如何计算
的
?看一下Github代码,我还没有足够
的
经验来解开它。我之所以问这个
问题
,是因为我喜欢RidgeClassifier
的
结果--它对我<em
浏览 0
提问于2018-12-24
得票数 16
回答已采纳
1
回答
对于
多
类
回归
,这是一个很好
的
日志丢失吗?
machine-learning
、
tensorflow
、
classification
、
regression
、
deep-learning
我一次要预测多个类,所以我把这个
问题
看作是二进制标签/类
的
非线性
回归
,作为真正
的
输出
。prediction = tf.sigmoid(hidden_out) # Prediction output, from 0.0 to 1.0 # Avoid infinite- labels*tf.
浏览 2
提问于2016-11-24
得票数 1
回答已采纳
1
回答
句子
多
类分类
的
BertForSequenceClassification与BertForMultipleChoice
python
、
machine-learning
、
pytorch
、
bert-language-model
、
huggingface-transformers
我正在研究一个文本分类
问题
(例如情感分析),在这个
问题
上,我需要将文本字符串分类为五个类中
的
一个。 我刚开始使用包和PyTorch
的
BERT。具有顺序分类/
回归
头
的
Bert模型转换器顶部(集合
输出
顶部
的
线性层),例如用于胶水任务。Label (torch.LongTensor of shape (batch_size,),可选,默认为None) -用于计算序列分类/
回归
损失
的
标签
浏览 5
提问于2020-03-10
得票数 17
回答已采纳
1
回答
检查模型
输出
和标签之间
的
相关性/互信息
machine-learning
、
deep-learning
、
statistics
我正在训练一些具有监督学习环境
的
网络。输入是向量,
输出
(和标签)是数字。我正在使用MSE
损失
,
损失
随着时间
的
推移而减少(在训练和测试集上),但我仍然不确定网络实际上是学习从输入预测标签,还是简单地学习
输出
更接近标签分布
的
数字。如果我将每个时期
的
标签向量和
输出
向量,并检查它们之间
的
相关性/互信息,它能让我感觉到网络是否真的改进了?我不熟悉这样
的
工作,做这样
的
事情是不是很常见
浏览 22
提问于2020-01-05
得票数 1
1
回答
不平衡数据
的
回归
模型性能差
neural-network
、
regression
、
loss-function
、
class-imbalance
我试图训练一个神经网络模型来解决
回归
问题
。我
的
数据集
的
特殊性在于它具有类似于目标值
的
指数分布(不平衡)。因此,模型似乎只
输出
小于2
的
值(如果范围是的话),它绝对忽略较大
的
目标值,后者在数据集中
的
性能较小。在这种情况下,如何改进模型
的
结果?例如,当涉及
多
类分类时,我们可以对较小类上
的
错误进行权衡,以提高不平衡数据
的
性能。在
回归
方面有什么诀窍吗?哪些
浏览 0
提问于2019-07-26
得票数 4
回答已采纳
2
回答
基于Tensorflow
的
回归
输出
CNN图像识别
tensorflow
、
conv-neural-network
、
image-recognition
我想用CNN根据图像来预测估计
的
等待时间。因此,我想这将使用CNN
输出
一个
回归
类型
的
输出
,使用RMSE
的
损失
函数,这就是我现在使用
的
,但它不能正常工作。有人可以指出使用CNN图像识别来
输出
类似于等待时间
的
标量/
回归
输出
(而不是类
输出
)
的
示例,以便我可以使用他们
的
技术来使其工作,因为我找不到合适
的
示例。
浏览 27
提问于2017-08-06
得票数 17
2
回答
为什么使用sigmoid函数来确定后验概率?
java
、
machine-learning
、
neural-network
我在学习神经网络时,在我
的
机器学习课本中遇到了这个
问题
:The output of the sigmoid function may be interpreted as the posterior probability that为什么sigmoid函数
的
输出
被解释为输
浏览 2
提问于2014-02-26
得票数 2
3
回答
MSE
损失
与交叉熵
损失
的
收敛性比较
machine-learning
、
logistic-regression
、
loss
、
cross-entropy
、
mean-square-error
对于一个目标向量0,0,0,....0和预测向量0,0.1,0.2
的
简单分类
问题
,....1
的
交叉熵
损失
会更好/更快地收敛,还是MSE
损失
?当我绘制它们时,在我看来,MSE
损失
有一个较低
的
误差范围。例如,当我
的
目标为1,1,1,1.1时,我得到以下信息:
浏览 0
提问于2018-03-16
得票数 3
回答已采纳
点击加载更多
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
一文帮你梳理清楚深度神经网络的基础知识!
关键概念:每个数据科学家都应了解的5个概念
谈Softmax激活函数以及Softmax回归和Logistic回归关系
深层神经网络
《Deep Learning with Python》第三章 3.1 走进神经网络之神经网络剖析
热门
标签
更多标签
云服务器
即时通信 IM
ICP备案
对象存储
实时音视频
活动推荐
运营活动
广告
关闭
领券