我有一个有4个布尔输出的网络。这不是分类问题，而且每个问题都是有意义的。我期望每个人得到零或一个。现在我使用了欧几里德损失函数。
有1000000个样本。在输入文件中，每个都有144个功能，因此输入的大小为1000000 * 144。 我使用批量大小为50，因为否则处理时间太长。 输出文件的大小为1000000 * 4，即每个输入有四个输出。
当我使用精确度图层时，它会抱怨输出的维度。它只需要一个布尔输出，而不是四个。我认为这是因为它将问题视为分类问题。 我有两个问题。 首先，考虑到精度层的误差，欧几里德损失函数是否适合这项任务？我如何才能获得网络的准确性？ 其次，我将获得四个变量中每个变量的预测输出的确切值。我的意思是我需要每个测试记录的确切预测值。现在，我只有每批的损失值。 请指导我解决这些问题。
谢谢， 阿夫欣
火车网络是：
{ state {
phase: TRAIN
}
layer {
name: "abbas"
type: "HDF5Data"
top: "data"
top: "label"
hdf5_data_param {
source: "/home/afo214/Research/hdf5/simulation/Train-1000-11- 1/Train-Sc-B-1000-11-1.txt"
batch_size: 50
}
}
layer {
name: "ip1"
type: "InnerProduct"
bottom: "data"
top: "ip1"
inner_product_param {
num_output: 350
weight_filler {
type: "xavier"
}
}
}
layer {
name: "sig1"
bottom: "ip1"
top: "sig1"
type: "Sigmoid"
}
layer {
name: "ip2"
type: "InnerProduct"
bottom: "sig1"
top: "ip2"
inner_product_param {
num_output: 150
weight_filler {
type: "xavier"
}
}
}
测试网络也是：
state {
phase: TEST
}
layer {
name: "abbas"
type: "HDF5Data"
top: "data"
top: "label"
hdf5_data_param {
source: "/home/afo214/Research/hdf5/simulation/Train-1000-11- 1/Train-Sc-B-1000-11-1.txt"
batch_size: 50
}
}
layer {
name: "ip1"
type: "InnerProduct"
bottom: "data"
top: "ip1"
inner_product_param {
num_output: 350
weight_filler {
type: "xavier"
}
}
}
layer {
name: "sig1"
bottom: "ip1"
top: "sig1"
type: "Sigmoid"
}
layer {
name: "ip2"
type: "InnerProduct"
bottom: "sig1"
top: "ip2"
inner_product_param {
num_output: 150
weight_filler {
type: "xavier"
}
}
}
layer {
name: "sig2"
bottom: "ip2"
top: "sig2"
type: "Sigmoid"
}
layer {
name: "ip4"
type: "InnerProduct"
bottom: "sig2"
top: "ip4"
inner_product_param {
num_output: 4
weight_filler {
type: "xavier"
}
}
}
layer {
name: "accuracy"
type: "Accuracy"
bottom: "ip4"
bottom: "label"
top: "accuracy"
}
layer {
name: "loss"
type: "EuclideanLoss"
bottom: "ip4"
bottom: "label"
top: "loss"
}
我收到了这个错误：
accuracy_layer.cpp:34] Check failed: outer_num_ * inner_num_ == bottom[1]->count() (50 vs. 200) Number of labels must match number of predictions; e.g., if label axis == 1 and prediction shape is (N, C, H, W), label count (number of labels) must be N*H*W, with integer values in {0, 1, ..., C-1}.
在不使用精确度层的情况下，caffe给出了损失值。
答案 0 :(得分：6)
"EuclideanLoss"应该用于预测二进制输出吗？如果您尝试预测离散二进制标签，则"EuclideanLoss"不是一个很好的选择。这种损失更适合于您希望预测连续值的回归任务（例如，估计边界框的协调等）
对于预测离散标签，"SoftmaxWithLoss"或"InfogainLoss"更适合。通常，使用"SoftmaxWithLoss"
要预测二进制输出，您还可以考虑"SigmoidCrossEntropyLoss"。
"Accuracy"图层中出现错误？在caffe中，“Accuracy"图层需要两个输入（”底部“）：一个是预测向量，另一个是预期的基本事实离散的标签。
在您的情况下，您需要为每个二进制输出提供 一个长度为2且预测概率为0和1的矢量，以及一个二进制标签：
layer {
name: "acc01"
type: "Accuracy"
bottom: "predict01"
bottom: "label01"
top: "acc01"
}
在此示例中，您可以测量单个二进制输出的精度。输入"predict01"是批处理中每个示例的双向量（对于batch_size: 50，此blob的形状应为50 x 2）。
您尝试在单个网络中预测4个不同的输出，因此，您需要 4 不同的损失和准确度图层。 />
首先，您需要将（"Slice"）地面实况标签拆分为4个标量（而不是单个二进制4向量）：
layer {
name: "label_split"
bottom: "label" # name of input 4-vector
top: "label01"
top: "label02"
top: "label03"
top: "label04"
type: "Slice"
slice_param {
axis: 1
slice_point: 1
slice_point: 2
slice_point: 3
}
}
现在，您必须为每个二进制标签
设置预测，丢失和准确度层layer {
name: "predict01"
type: "InnerProduct"
bottom: "sig2"
top: "predict01"
inner_product_param {
num_outout: 2 # because you need to predict 2 probabilities one for False, one for True
...
}
layer {
name: "loss01"
type: "SoftmaxWithLoss"
bottom: "predict01"
bottom: "label01"
top: "loss01"
}
layer {
name: "acc01"
type: "Accuracy"
bottom: "predict01"
bottom: "label01"
top: "acc01"
}
现在，您需要为要预测的四个二进制标签中的每一个复制这三个层。