千層面的卷積神經網絡精度（回歸與分類）

Question

我已經使用Lasagne玩了一段時間，以解決使用卷積神經網絡進行二進制分類的問題。 但是，盡管我在訓練和驗證損失上得到了不錯的結果，但我的驗證和測試准確性始終是恆定的（網絡始終預測同一班級）。

我遇到過這個問題 ，一個人和我的千層面有着同樣的問題。 他們的解決方案是在Lasagne頂部使用Nolearn時將regression=True設置regression=True 。

有誰知道如何在Lasagne中設置相同的變量（因為我不想使用Nolearn）？ 除此之外，還有人解釋為什么需要這樣做嗎？

Answer 1

從nolearn看NeuralNet 類的代碼 ，看起來參數regression在很多地方都使用過，但是在大多數情況下，它會影響輸出值和損失的計算方式。

如果regression=False （默認值），則網絡以最大的概率輸出類別，並使用分類交叉熵計算損失。 另一方面，在regression=True情況下，網絡輸出每個類別的概率，並在輸出矢量上計算平方誤差的損失。

我不是深度學習和CNN方面的專家，但這樣做可能起作用的原因是，在regression=True情況下，如果誤差梯度較小，則對網絡參數進行小的更改可能不會更改預測的類別和相關的損失，並可能導致算法“認為”它已經收斂。 但是，如果改為查看類概率，則較小的參數更改將影響概率以及由此產生的均方誤差，並且網絡將繼續沿該路徑運行，這最終可能會更改預測。

這只是一個猜測，如果不查看代碼和數據集就很難分辨。