Question

我试图使用张量流来学习卷积神经网络，我使用下面的代码来创建我的网络。

    # network weights
    W_conv1 = weight_variable([8, 8, 4, 32])
    b_conv1 = bias_variable([32])

    W_conv2 = weight_variable([4, 4, 32, 64])
    b_conv2 = bias_variable([64])

    W_conv3 = weight_variable([3, 3, 64, 64])
    b_conv3 = bias_variable([64])

    W_fc1 = weight_variable([1600, 512])
    b_fc1 = bias_variable([512])

    W_fc2 = weight_variable([512, ACTIONS])
    b_fc2 = bias_variable([ACTIONS])

    # input layer
    s = tf.placeholder("float", [None, 80, 80, 4])

    # hidden layers
    h_conv1 = tf.nn.relu(conv2d(s, W_conv1, 4) + b_conv1)
    h_pool1 = max_pool_2x2(h_conv1)

    h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2, 2) + b_conv2)
    #h_pool2 = max_pool_2x2(h_conv2)

    h_conv3 = tf.nn.relu(conv2d(h_conv2, W_conv3, 1) + b_conv3)
    #h_pool3 = max_pool_2x2(h_conv3)

    #h_pool3_flat = tf.reshape(h_pool3, [-1, 256])
    h_conv3_flat = tf.reshape(h_conv3, [-1, 1600])

    h_fc1 = tf.nn.relu(tf.matmul(h_conv3_flat, W_fc1) + b_fc1)

    # readout layer
    readout = tf.matmul(h_fc1, W_fc2) + b_fc2

这个网络以[80,80,4]对象输出一个ACTIONS预测;（ACTIONS类的数量）

我的问题是如何创建一个在[a，b]

之间输出值的网络

Answer 1

如果[a，b]是分类的，即你有离散类（总共n个），你需要在读出层中有n个神经元，每个神经元对应一个代表其概率的给定类。标准方法是在logits上使用sigmoid cross entropy（在tensorflow的情况下使用tf.nn.sigmoid_cross_entropy_with_logits）。

如果[a，b]是连续的（我认为这可能不是你想要做的事情），那么它就变成了回归问题。因此，如果有足够的数据和适当的损失函数（平方误差）以及一些正则化，则应确保输出位于可接受的范围内，或者始终可以将一个数值范围映射到另一个数值范围。

如果这些都没有意义，那么在深入研究神经网络之前，你需要学习一些基本的机器学习。

卷积神经网络输出值在范围内

1 个答案: