千层面的卷积神经网络精度（回归与分类）

Question

我已经使用Lasagne玩了一段时间，以解决使用卷积神经网络进行二进制分类的问题。 但是，尽管我在训练和验证损失上得到了不错的结果，但我的验证和测试准确性始终是恒定的（网络始终预测同一班级）。

我遇到过这个问题 ，一个人和我的千层面有着同样的问题。 他们的解决方案是在Lasagne顶部使用Nolearn时将regression=True设置regression=True 。

有谁知道如何在Lasagne中设置相同的变量（因为我不想使用Nolearn）？ 除此之外，还有人解释为什么需要这样做吗？

Answer 1

从nolearn看NeuralNet 类的代码 ，看起来参数regression在很多地方都使用过，但是在大多数情况下，它会影响输出值和损失的计算方式。

如果regression=False （默认值），则网络以最大的概率输出类别，并使用分类交叉熵计算损失。 另一方面，在regression=True情况下，网络输出每个类别的概率，并在输出矢量上计算平方误差的损失。

我不是深度学习和CNN方面的专家，但这样做可能起作用的原因是，在regression=True情况下，如果误差梯度较小，则对网络参数进行小的更改可能不会更改预测的类别和相关的损失，并可能导致算法“认为”它已经收敛。 但是，如果改为查看类概率，则较小的参数更改将影响概率以及由此产生的均方误差，并且网络将继续沿该路径运行，这最终可能会更改预测。

这只是一个猜测，如果不查看代码和数据集就很难分辨。