7
A
回答
8
通常,对于这种情况,损失仅被视为分类损失和回归损失的加权和。换句话说,您的网络有两个独立的输出部分,一个负责回归,在其上应用Reggression loss L_reg(如MSE),另一个负责分类部分,应用分类损失L_class(如交叉熵)和您的最终优化标准是简单的(alpha)* L_reg +(1-alpha)* L_class,对于某些预定义的alpha。这可以轻松计算梯度(以及总体简单分析)。
相关问题
- 1. 多输出与多单输出神经网络的分类
- 2. 多输出神经网络
- 3. 神经网络为多元回归
- 4. 回归神经网络是一个神经网络链吗?
- 5. 神经网络回归模型输出层的激活函数
- 6. 神经网络输出
- 7. 2输出神经网络?
- 8. 神经网络输出分组0.5?
- 9. OpenCV结合SURF和神经网络
- 10. 神经网络多项式回归不能拟合曲线
- 11. 我的神经网络有多少个输出神经元?
- 12. 神经网络分类器
- 13. 神经网络用于多输入和多输出(MIMO)系统
- 14. 使用回归神经网络(与Theano)
- 15. 嵌入与回归神经网络
- 16. 神经网络:只是一些回归?
- 17. NLP回归神经网络总给人
- 18. 神经网络的输入/输出
- 19. 神经网络和XOR作为分类
- 20. 神经网络和图像分类
- 21. 经常性神经网络分类
- 22. 神经网络多输入和一个输出
- 23. 为回归神经网络(LSTM)输入/输出的任意长度的
- 24. 用卷积神经网络进行回归的体系结构
- 25. 神经网络中的连续输出
- 26. 神经网络模型的输出
- 27. 神经网络的激活/输出
- 28. C++中的神经网络输出
- 29. 如何结合两个神经网络?
- 30. 神经网络的输入
太好了,谢谢。 alpha通常被视为一个超参数并被调整为这样? – jayesian
是的,除非可以利用某些问题特征来找到合理的价值 – lejlot