我使用tflearn整理了一个CNN，根据一些原始分辨率（即50％，70％等）对图像进行缩放，只是为了看看我能为这个问题获得什么样的准确度 . 我是机器学习的新手，所以我认为这是一个很好的方法，可以开始实现让网络确定任何级别的扩展的总体目标，而不仅仅是我为分类生成的少数 .
在获得合理的准确度后，我决定转换为模型进行逻辑回归而不是分类，但我在理论和应用方面都有一些问题 . 首先，标签应该是什么样子？在我为5个不同的类使用单热阵列之前，显然这不再适用了 . 标签应该是比例因子（即50％等的0.5 . ）或其他什么？那么，模型本身应该看起来有什么不同吗？我的理解是，我应该只调整成本函数和backprop / optimization部分，以及将输出更改为一个值而不是五个 . 再一次，我是新人，所以我很感激任何有关这方面的建议 .
谢谢！
（另外，我在这里没有包含任何代码，因为我觉得这些问题非常普遍而且我的代码并不是那么特别或涉及，但如果有人需要看到它以帮助回答/提供建议，请问我会在这里张贴一些 . ）
1 回答
通常在分类问题中，输出将使用softmax函数生成“概率” . 在神经网络中，要将其转换为回归方法，请删除softmax图层并将输出维度从之前（5）到1的类数更改 . 训练这应该产生一个形状矢量[batchsize x 1]，它可以使用包含实值比例因子的相同形状的标签来输入您的损失函数，假设这确实是模型试图预测的 .