如何考慮一個熱向量的結果桶與正確桶之間的差異？

Question

嗨，我正在大學使用tensorflow嘗試僅使用模擬生成的圖像對模擬程序的轉向角進行分類。

轉向角是-1至1的值，我將它們分成50個“桶”。 因此，我的預測向量的第一個值將意味着預測的轉向角在-1和-0.96之間。 下面顯示了我正在使用的分類和優化功能。

cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(prediction, y))
optimizer = tf.train.AdamOptimizer(0.001).minimize(cost)

y是一個向量，其中有49個零和一個用於正確存儲區的1。 我的問題是。 我如何考慮例如正確的存儲桶是否位於索引25處，則26的預測要比48的預測好得多。

我沒有發布實際的網絡，因為它只是幾個conv2d和maxpool層，最后是一個完全連接的層。

Answer 1

由於您正在應用交叉熵或負對數可能性。 給定預測的輸出和基本事實，您將對系統進行懲罰。

因此，假設您的系統在50個類別的輸出上預測了不同的數字，而最高的數字是25類，但您的實際情況是26類。因此，系統將采用26的預測值，並調整參數以產生最大的數字。下次看到此輸入時，此輸出。

Answer 2

您可以做兩件事：

將您的y和預測更改為-1..1范圍內的標量； 使損失函數為（y-預測）** 2或其他值。 一個非常不同的模型，但也許比單熱模型更合理。

保持單一目標和損失，但具有y = target * w，其中w是一個常數矩陣，大部分為零，對角線為1s，下一個對角線為較小值（例如y（i）= target（ i）* 1. + target（i-1）* .5 + target（i + 1）* .5 + ...）; 有點毛，但應該收斂到合理的水平。