TensorFlow 中图像分类模型的均方误差

Question

我正在尝试教图像分类模型从图像中定义数字特征。 我确信 SparseCategoricalCrossentropy 损失函数对我不起作用，至于训练，我需要惩罚大差异而不是小差异。 理想情况下，我想使用均方误差损失函数。

我使用 TensorFlow 教程来准备模型 - https://www.tensorflow.org/tutorials/images/classification 。

类名对我来说是数字，我尝试了以下选项：

• ['00', '01', '02', '03', '04', '05', '06', '07', '08', '09', '10', '11', ' 12']
• ['0', '1', '2', '3', '4', '5', '6', '7', '8', '9', '10', '11', ' 12']

我对教程所做的唯一更改（数据集除外）是将 SparseCategoricalCrossentropy 损失函数更改为“mean_squared_error”。

但是损失函数显然对我不起作用。 它返回的值随着训练而变小，但准确率永远不会超过 5%，甚至随着损失值变小而下降。 结果也没有意义。 数据很好，我可以使用 SparseCategoricalCrossentropy 损失函数轻松达到 95% 的准确率。 我错过了什么？

更新：我认为我真正需要的是一种使用标有数字的图像在 TensorFlow 中定义回归问题的方法。

Answer 1

事实证明，很容易将图像分类问题转化为回归问题。 针对有问题引用的教程，我必须进行以下更改：

1. 以数字作为“类”（文件夹名称）的不同数据集。

2. 将损失函数更改为均方误差或其他适合回归的损失函数。

3. 为只有 1 个神经元而不是类数（并且没有 softmax）的模型制作最后一层：

    ... layers.Dense(128, activation='relu'), layers.Dense(1) # changed from num_classes to 1

4. 改变了对预测结果的解释：

    ... predictions = model.predict(img_array) # score = tf.nn.softmax(predictions[0]) # correct for classification, but not regression score = predictions.flatten()[0] # correct result for regression ...