1回答
(在R中)假设我有一个loss function，它将一个函数作为输入，并在固定数据集的(固定)转换系列中对其求值。是否可以将其集成到中，并将其用作DNN regression的自定义损失函数？为了执行深度学习，我目前使用的是tensorflow -> R接口。
浏览 3提问于2018-12-16得票数 2
我正在尝试使用Keras创建自定义损失函数。我想根据输入计算损失函数，并预测神经网络的输出。
我尝试使用Keras中的customloss函数。我认为y_true是我们用于训练的输出，y_pred是神经网络的预测输出。下面的损失函数与Keras中的"mean_squared_error“损失相同。cu
浏览 2提问于2019-04-01得票数 17
回答已采纳
2回答
我使用Keras和TensorFlow来实现一个深度神经网络。当我损失和迭代次数时，在每一个时代之后，损失都会有一个显著的跳跃。实际上，每个迷你批次的损失应该各不相同，但是Keras计算的是小批的移动平均损失，这就是为什么我们获得了一条平滑的曲线而不是任意的曲线。移动平均线的阵列在每一个时代之后都会被重置，因此我们可以观察到损失的</em
浏览 4提问于2022-04-29得票数 1
回答已采纳
我正在构建一个深度神经网络，我发现当在完全连接层中没有激活函数(softmax)时，我的网络收敛得更快。但是当我添加这个softmax函数时，收敛性真的很差，甚至在很高的损失中停止。顺便说一句。我使用交叉熵损失作为损失函数，使用rmsprop作为优化器。Nerual network without last softmax activation
浏览 84提问于2020-06-26得票数 0
我用电筒和自动梯度来建立我的神经网络架构。它是一个小的3层网络，具有输入和输出。假设我必须根据一些初始条件预测一些输出函数，并且我使用的是一个自定义的损失函数。我所面对的问题是：
我试过乙状结肠激活和tanh。在损失收敛方面，tanh给出了稍好的结果。我试过使用ReLU，但是由
浏览 2提问于2021-09-19得票数 1
回答已采纳
4回答
是否有在结构化数据中执行聚类的深度学习文献/参考资料？我知道这可以使用Kmeans，GMM等来完成，但是有没有可能使用深度神经网络等来完成聚类分析呢？谢谢。
浏览 0提问于2019-02-01得票数 0
我已经用tensorflow训练了一段时间用于语音识别的深度NN声学模型。我所用的损失函数是交叉熵，神经网络模型对此有很好的影响。现在，我想将损失函数转换为一个更复杂的函数，称为最大互信息( MMI )，这也是语音识别领域中的一个经典准则。我在这里放了一个，它描述了这个损失函数，以防你有兴趣。当使用这个特殊的损失函数</
浏览 1提问于2017-09-06得票数 0
回答已采纳
我试图重现一篇深度学习论文的实验结果， 我注意到损失函数，类别交叉熵具有L1正则化，可以在下面看到， ? 那么，如何计算模型复杂度并在Keras/Tensorflow中添加正确的自定义损失函数呢？
浏览 38提问于2019-10-15得票数 1
回答已采纳
我刚刚为我自己的深度神经网络库实现了AdaDelta ()。这篇论文说，使用AdaDelta的SGD对超参数不敏感，并且它总是收敛到好的地方。(至少AdaDelta-SGD的输出重建损失与良好的动量法相当)
当我在去噪AutoEncoder中使用AdaDelta作为学习方法时，它确实在某些特定的设置下收敛，但并不总是收敛。当我使用均方误差作为损失函数，Sigmoid作为激活函数时，
浏览 0提问于2014-07-19得票数 3
我遇到了一个令人困惑的场景。我正在训练一个具有自定义损失函数和两个指标的Tensorflow/Keras神经网络，MSE和准确性。在对训练数据进行评估时，损失和准确率返回数字，但均方误差为NaN。我想知道这是不是有一个可能的解释。谢谢。
浏览 25提问于2021-05-09得票数 0
3回答
我在寻找一个适合我的项目的损失函数。事实上，我有两个问题，但它们的方向是相同的。我看一下根均方错误和欧几里得距离的定义，它们在我看来是一样的！所以我想知道两者有什么区别。如果我使用rmse作为损失函数或欧几里得距离，会有什么不同？？
第二个问题是如何寻找损失函数。我的意思是，我知道它取决于这个问题，并且共有的东西是MSE用于回归，交叉熵用于分类，但假设我有一个特定的</em
浏览 0提问于2019-11-15得票数 3
1回答
我正在构建一个基于深度神经网络的二进制分类器，该分类器具有单输出。我实际上想要最小化的损失函数是$$ \mathcal L(\hat y，y) = \begin{cases} 0，&text{如果$\hat y= 0} } 1，&\ $\hat { $\hat y=1&(你可以把它看作是博彩:不下注时没有奖励，赌注1美元，赌赢1.7美元)
据我所知，这个损失函数可能不适合反向传播和梯度下降。问题：是否有更合适<
浏览 0提问于2018-02-10得票数 1
我是Lstm和机器学习的新手，我正在努力理解它的一些概念。下面是我的Lstm模型的代码。accuracy'])下面是我输出的一个示例：以及列车/测试精度和列车/测试损耗图：
我的不足(如果我错了，请纠正我)是val_loss和val_accuracy是测试数据
浏览 0提问于2021-01-14得票数 0
回答已采纳
我想用深度神经网络来解决回归问题，但据我所读，它主要用于分类。我想知道为什么一个规则的卷积网络，或者一个多层感知不能作为一个线性回归，只是多层。我试着用最大池连接两个卷积层，并将一个完全连接的层连接在一起，没有激活功能，有10000 MNIST图像、100个历元和100个批次大小。采用均方误差作为损失函数，规则随机梯度下降作为优化器。我使用的不是一个热编码，而是使用实际的预期数字作为标签。
尽管我还没有优化参数，但结果还是很有希望的。
浏览 0提问于2020-09-19得票数 0
回答已采纳
我正在尝试使用标记数据来训练深度神经网络(DNN)。标签的编码方式使其仅包含值0和1。编码标签的形状是5 x 5 x 232。标签中的值的About 95%是0，rests是1。目前，我正在使用binary_crossentroy损失函数来训练网络。
在这种情况下，训练DNN的最佳技术是什么？在这种情况下，选择binary_crossentroy作为损失函数是否合适？任何改善模型性能的</e
浏览 0提问于2020-07-18得票数 0
在我的数据集X中，我有两个连续变量a, b和两个布尔变量c, d，总共有4列。我有一个由两个连续变量A, B和一个布尔变量C组成的多维目标y。 我想训练一个关于X列的模型来预测y的列。然而，在X上尝试了LinearRegression后，它的性能并不是很好(我的变量变化了几个数量级，我必须应用适当的转换来获得对数，在这里我不会深入讨论太多细节)。我真正想做的是将连续变量上的LinearRegression和布尔变量上的</em
浏览 18提问于2019-12-06得票数 2
1回答
我从深度神经网络的世界开始，用卷积模型进行一系列测试，我发现了以下情况：我正在执行一个多类任务，我的</em
浏览 0提问于2023-01-05得票数 0
在深入学习中，我们可以用损失函数值来评估模型的性能，并通过K倍交叉验证等方法来提高模型的性能。但是，如何设计和优化神经网络在深度强化学习中的应用呢？我们可以用奖励等来评估强化学习算法本身的性能，但是如何保证神经网络在强化学习算法中的应用是好的还是坏的呢？
浏览 0提问于2019-02-08得票数 3
我有一个问题:我总是假设将非线性应用于神经网络，以便计算误差曲面的最小值。如果函数是f(x)=mx+b，则导数总是f'(x) = 1。这是应用非线性(通过导数为f‘(X)=f(X)*(1-f(X))的sigmoid函数)的原因之一吗？
非常感谢。
浏览 5提问于2017-06-29得票数 0
云服务器
ICP备案
云直播
腾讯会议
实时音视频
腾讯云开发者
