我是keras和机器学习的新手。我的研究问题肯定会受益于使用卷积神经网络（cnn）。我正在尝试为某些特定于我的研究问题的图像转换构建一个cnn。到目前为止，我遇到的大多数cnn例子都是某种形式的分类。对于分类示例，我理解cnn的基本操作，给定输入图像，网络给出一个数字。将该数字与标签（与输入图像相关联）进行比较，然后将其中的误差反向传播到网络以调整下一次迭代的权重。对于我的转换问题，网络的输出是一个图像和＆＃34;标签＆＃34;这是预期的输出也是一个图像。这是我被困的地方。如何使用图像作为标签，以及我需要在model.fit（）中进行哪些修改才能将图像用作标签。
谢谢你，非常感谢你对此事的任何指导。 最好， snsvsn
答案 0 :(得分：0)
首先，当你说转换时，它是什么意思？它是否像变换矩阵，可以表示为一组参数。或者它实际上非常复杂，并且不能通过一些参数轻松表达。
对于前一种情况，例如透视变换矩阵，可以直接回归这些参数。换句话说，您不必将图像用作网络目标。相反，您可以训练CNN来预测所有矩阵元素。
对于后一种情况，简答为YES。您应该进一步阅读spatial transformer networks等特殊网络中的资料。注意，我不是说空间变压器网络会解决你的问题，但它指向正确的方向，即