我想使用AlexNet架构来解决一个回归问题，该架构最初是用于分类任务的。此外，在学习步骤中，我想加入一个批量大小参数。
因此我有几个问题：
- 为了实现回归，我需要在网络架构中做哪些改变？特别是在最后一层、损失函数或其他方面。
- 如果我使用批量大小为5，那么最后一层的输出大小是多少？
谢谢！
回答：
分享以下信息会很有帮助：
-
Q 框架: 您正在使用哪个深度学习框架和/或分享您需要帮助修改的特定代码片段
A: 例如，TensorFlow, PyTorch, Keras等。
-
Q 损失类型，输出大小: 您试图通过回归实现什么任务？这将影响您想要使用的损失类型、输出维度、对VGGnet的微调等。
A: 例如，灰度图像的自动着色（这里有一个例子）是一个回归任务的例子，您将尝试从单色图像回归RGB通道像素值。您可能会使用L2损失（或其他一些损失以提高性能）。输出大小应该与批量大小无关，它将由最终层的输出维度决定（即
prediction op）。批量大小是一个训练参数，您可以更改它而无需更改模型架构或输出维度。
