7
A
回答
8
通常,對於這種情況,損失僅被視爲分類損失和迴歸損失的加權和。換句話說,您的網絡有兩個獨立的輸出部分,一個負責迴歸,在其上應用Reggression loss L_reg(如MSE),另一個負責分類部分,應用分類損失L_class(如交叉熵)和您的最終優化標準是簡單的(alpha)* L_reg +(1-alpha)* L_class,對於某些預定義的alpha。這可以輕鬆計算梯度(以及總體簡單分析)。
相關問題
- 1. 多輸出與多單輸出神經網絡的分類
- 2. 多輸出神經網絡
- 3. 神經網絡爲多元迴歸
- 4. 迴歸神經網絡是一個神經網絡鏈嗎?
- 5. 神經網絡迴歸模型輸出層的激活函數
- 6. 神經網絡輸出
- 7. 2輸出神經網絡?
- 8. 神經網絡輸出分組0.5?
- 9. OpenCV結合SURF和神經網絡
- 10. 神經網絡多項式迴歸不能擬合曲線
- 11. 我的神經網絡有多少個輸出神經元?
- 12. 神經網絡分類器
- 13. 神經網絡用於多輸入和多輸出(MIMO)系統
- 14. 使用迴歸神經網絡(與Theano)
- 15. 嵌入與迴歸神經網絡
- 16. 神經網絡:只是一些迴歸?
- 17. NLP迴歸神經網絡總給人
- 18. 神經網絡的輸入/輸出
- 19. 神經網絡和XOR作爲分類
- 20. 神經網絡和圖像分類
- 21. 經常性神經網絡分類
- 22. 神經網絡多輸入和一個輸出
- 23. 爲迴歸神經網絡(LSTM)輸入/輸出的任意長度的
- 24. 用卷積神經網絡進行迴歸的體系結構
- 25. 神經網絡中的連續輸出
- 26. 神經網絡模型的輸出
- 27. 神經網絡的激活/輸出
- 28. C++中的神經網絡輸出
- 29. 如何結合兩個神經網絡?
- 30. 神經網絡的輸入
太好了,謝謝。 alpha通常被視爲一個超參數並被調整爲這樣? – jayesian
是的,除非可以利用某些問題特徵來找到合理的價值 – lejlot