非獨立類的Tensorflow丟失

Question

我正在使用Tensorflow網絡對與它們的相鄰類相似的類進行分類，即不是獨立的。例如，假設我們想要預測10個類別之間的關係，但預測不僅僅是「正確的」或「不正確的」。相反，如果正確的類別爲7，網絡預測爲6，那麼損失應該小於網絡預測5的損失，因爲6比5更接近正確的答案。我的理解是交叉熵和單熱矢量提供了「全部或者沒有任何「損失，而不是」連續的「損失，反映了錯誤的嚴重程度。如果這是正確的，那麼在Tensorflow中如何實現這樣的持續損失？

- 更新2016年6月13日----

一個示例應用可能是顏色識別。如果網絡預測「綠色」，但真實的顏色是黃綠色，那麼損失應該小於網絡預測藍色，因爲綠色預測比藍色更好。

Answer 1

您可以選擇實現連續功能（例如，HSV中的色調）作爲單個輸出，並構建自己的損失計算，以反映您想要優化的內容。在這種情況下，您只需輸出介於0.0和1.0之間的單個輸出值，並根據距標籤值的距離評估損失。