我使用Tensorflow网络在类似于其相邻类的类之间进行分类，即不是独立的。例如，假设我们想要预测10个类别，但预测不仅仅是“正确”或“不正确”。相反，如果正确的类是7并且网络预测6，那么损失应该小于网络预测的5，因为6比5更接近正确答案。我的理解是交叉熵和1热矢量提供“所有或者没有“损失而不是”连续的“损失，反映了错误的严重程度。如果这是正确的，那么如何在Tensorflow中实现这样的连续损失？
- 2016年6月13日更新----
示例应用程序可能是颜色识别。如果网络预测“绿色”但真正的颜色是黄绿色，则损失应小于网络预测蓝色时的损失，因为绿色比蓝色更好预测。
答案 0 :(得分：1)
您可以选择将连续函数（例如HSV中的色调）实现为单个输出，并构建自己的损耗计算，以反映您要优化的内容。在这种情况下，您只需要一个介于0.0和1.0之间的单个输出值，并且将根据与标记值的距离来评估损失。