HDF5中的咖啡分類標籤

Question

我在微調網絡。在特定的情況下，我想用它進行迴歸，這很有效。在另一種情況下，我想用它來進行分類。

對於這兩種情況我都有一個帶有標籤的HDF5文件。通過迴歸，這只是一個1乘1的numpy數組，其中包含一個浮點數。在將我的EuclideanLoss圖層更改爲SoftmaxLoss後，我想我可以使用相同的標籤進行分類。然而，然後我得到一個負面的損失，因爲如此：

Iteration 19200, loss = -118232 
    Train net output #0: loss = 39.3188 (* 1 = 39.3188 loss) 

你能解釋是否等等出了什麼問題？我確實看到訓練損失約爲40（這仍然很糟糕），但網絡仍然訓練？負面的損失只是越來越負面。

UPDATE
讀取Shai's commentanswer和後，我已經進行了如下修改：
- 我在我的最後完全連接層6的num_output，因爲我有6個標籤（以前是1）。
- 我現在創建一個熱載體，傳遞，作爲一個標籤到我的HDF5數據集如下

f['label'] = numpy.array([1, 0, 0, 0, 0, 0])   

試圖運行我的網絡現在返回

Check failed: hdf_blobs_[i]->shape(0) == num (6 vs. 1)  

經過一番研究，在網上，我將矢量重新整形爲1x6矢量。這導致以下錯誤：

Check failed: outer_num_ * inner_num_ == bottom[1]->count() (40 vs. 240) 
    Number of labels must match number of predictions; e.g., if softmax axis == 1 
    and prediction shape is (N, C, H, W), label count (number of labels) 
    must be N*H*W, with integer values in {0, 1, ..., C-1}. 

我的想法是增加每個數據集1個標籤（圖像），並在我的train.prototxt創建批次。不應該創建正確的批量大小嗎？

Answer 1

自您迴歸分類移動，你需要輸出不是標有"label"比較，而是一個概率矢量長度NUM-標籤與離散類"label"比較。您需要在"SoftmaxWithLoss"之前將num_output層的參數從1更改爲num-labels。

我相信你目前正在訪問未初始化的內存，我希望咖啡在這種情況下遲早會崩潰。

更新：
您做出如下修改：num_output 1 - > 6，你也從一個標量到向量改變了你的輸入label。
第一次更改是您使用"SoftmaxWithLossLayer"時唯一需要的更改。
不要將label從標量更改爲「熱矢量」。

爲什麼？
由於"SoftmaxWithLoss"基本上看起來在6-矢量預測你輸出，解釋地面實況label爲索引和着眼於-log(p[label])：越接近p[label]是1（即，你預測的預期類高概率）的下虧損。使預測p[label]接近於零（即，您錯誤地預測了預期類別的低概率），那麼損失快速增長。

---

使用「熱載體」爲地面實況輸入label，可能會引起多類別分類（不好像你正試圖在這裏解決的任務）。您可能會發現this SO thread與該特定情況相關。