用千层面卷积神经网络的准确性（回归与分类）

我一直在玩千层面一段时间，现在使用卷积神经网络的二元分类问题。然而，虽然我得到了良好（ish）的训练和验证损失结果，但我的验证和测试精度始终保持不变（网络始终预测同一类别）。用千层面卷积神经网络的准确性（回归与分类）

我碰到过this，这个人和我一样有烤宽面条的问题。他们的解决方案是设置regression=True，因为他们在烤宽面条上使用Nolearn。

有没有人知道如何在千层面内设置相同的变量（因为我不想使用Nolearn）？除此之外，有没有人有解释为什么这需要发生？

来源

2015-09-18 mjacuse

为什么你不想使用nolearn有一个特别的原因吗？ –

没有特别的原因，除了它似乎增加了另一层顶端的千层面，林不知道是必要的。你认为它增加了更多功能吗？另外我觉得好像调试起来可能会更困难？ – mjacuse

IMO nolearn添加了很好的功能，如BatchIterator，我用它进行大量预处理（随机裁剪数据等）。自从我开始使用nolearn后，我还没有发现更难调试。但这是个人观点。 –

从nolearn看the code of the NeuralNet class，它看起来像参数regression在不同的地方使用，但大多数时候它影响如何计算输出值和损失。

在regression=False（默认值）的情况下，网络输出具有最大概率的类，并使用分类交叉熵计算损失。另一方面，在regression=True的情况下，网络输出每个类的概率，并且计算输出向量上的平方误差的损失。

我不是深度学习和CNN方面的专家，但是这可能起作用的原因是，如果是regression=True，并且如果存在小的错误梯度，对网络参数应用较小的更改可能不会改变预测的类和相关的损失，并可能导致算法“认为”它已经收敛。但是如果你看看类别概率，小的参数变化将影响概率和结果的均方误差，并且网络将沿着这条路径继续下去，这可能最终改变预测。

这只是一个猜测，很难说没有看到代码和数据集。

来源

2015-09-28 11:48:29 Djizeus

用千层面卷积神经网络的准确性（回归与分类）

回答

相关问题