Question

我想根据使用CNN的图像预测估计的等待时间。所以我想这会使用CNN来输出回归类型输出，使用RMSE的丢失函数，这是我现在正在使用的，但是它无法正常工作。

有人可以指出使用CNN图像识别输出类似于等待时间的标量/回归输出（而不是类输出）的示例，以便我可以使用他们的技术使其工作，因为我无法使用找一个合适的例子。

我找到的所有CNN示例都是针对MSINT数据并区分输出类输出的猫和狗，而不是等待时间的数字/标量输出。

有人能给我一个例子，使用CNN的张量流来给出基于图像识别的标量或回归输出。

非常感谢！老实说，我非常困难，没有取得任何进展，并且已经有两周多时间处理同样的问题了。

Answer 1

查看Udacity自驾车模型，它从破折号凸轮上获取输入图像并预测转向角度（即连续标量）以保持在路上...通常在一个或多个完全使用后使用回归输出连接层位于CNN层之上。

Browser Error

这是一个典型的模型：

https://github.com/udacity/self-driving-car/tree/master/steering-models/community-models

...它使用tf.atan()或您可以使用tf.tanh()或只是线性来获得最终输出y。

将MSE用于您的损失功能。

这是https://github.com/udacity/self-driving-car/tree/master/steering-models/community-models/autumn ...

model = models.Sequential()
model.add(convolutional.Convolution2D(16, 3, 3, input_shape=(32, 128, 3), activation='relu'))
model.add(pooling.MaxPooling2D(pool_size=(2, 2)))
model.add(convolutional.Convolution2D(32, 3, 3, activation='relu'))
model.add(pooling.MaxPooling2D(pool_size=(2, 2)))
model.add(convolutional.Convolution2D(64, 3, 3, activation='relu'))
model.add(pooling.MaxPooling2D(pool_size=(2, 2)))
model.add(core.Flatten())
model.add(core.Dense(500, activation='relu'))
model.add(core.Dropout(.5))
model.add(core.Dense(100, activation='relu'))
model.add(core.Dropout(.25))
model.add(core.Dense(20, activation='relu'))
model.add(core.Dense(1))
model.compile(optimizer=optimizers.Adam(lr=1e-04), loss='mean_squared_error')

它们与MNIST示例的关键区别在于，不是将N-dim向量的logits转换为softmax w /交叉熵损失，而是将其降低到具有MSE损失的1-dim向量。

Answer 2

关键是在最后一个完全连接（输出）层中没有激活功能。请注意，您必须事先至少拥有1个FC图层。

张量流上带回归输出的CNN图像识别

2 个答案: