我有一个网络，它有4个布尔输出。这不是一个分类问题，每个输出都有意义。我希望每个输出都是零或一。目前我使用的是欧几里得损失函数。
样本总共有1000000个。在输入文件中，每个样本有144个特征，因此输入的尺寸是1000000*144。我使用了50的批次大小，因为否则处理时间太长。输出文件的尺寸是1000000*4，即每个输入有四个输出。
当我使用精度层时，它抱怨输出的维度。它需要一个布尔输出，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。第一，考虑到精度层的错误，欧几里得损失函数是否适合这项任务？以及我如何获得网络的精度？第二，我需要得到每个四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精确预测值。现在，我只有每个批次的损失值。请指导我解决这些问题。
谢谢，Afshin
训练网络是：
{ 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" }我得到了这个错误：
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}.
在不使用精度层的情况下，Caffe会给我损失值。
回答：
是否应该使用"EuclideanLoss"来预测二进制输出？
如果您试图预测离散的二进制标签，那么"EuclideanLoss"并不是一个很好的选择。这种损失更适合于回归任务，您希望预测连续值（例如，估计边界框的坐标等）。
对于预测离散标签，"SoftmaxWithLoss"或"InfogainLoss"更适合。通常使用"SoftmaxWithLoss"。
对于预测二进制输出，您也可以考虑"SigmoidCrossEntropyLoss"。
为什么"Accuracy"层会出现错误？
在caffe中，”Accuracy"层期望两个输入（”bottom”s）：一个是预测向量，另一个是预期的离散标签。在您的案例中，您需要为每个二进制输出提供一个长度为2的向量，包含0和1的预测概率，以及一个单一的二进制标签：
layer { name: "acc01" type: "Accuracy" bottom: "predict01" bottom: "label01" top: "acc01"}在这个例子中，您测量的是一个单一二进制输出的精度。输入"predict01"是批次中每个样本的二向量（对于batch_size: 50，这个blob的形状应该是50-by-2）。
您可以做些什么？
您试图在一个网络中预测4个不同的输出，因此，您需要4个不同的损失和精度层。
首先，您需要将真实标签分割（"Slice"）成4个标量（而不是一个单一的二进制4向量）：
layer { name: "label_split" bottom: "label" # 输入4向量的名称 top: "label01" top: "label02" top: "label03" top: "label04" type: "Slice" slice_param { axis: 1 slice_point: 1 slice_point: 2 slice_point: 3 }}现在您需要为每个二进制标签设置一个预测、损失和精度层
layer { name: "predict01" type: "InnerProduct" bottom: "sig2" top: "predict01" inner_product_param { num_outout: 2 # 因为您需要预测2个概率，一个为False，一个为True ...}layer { name: "loss01" type: "SoftmaxWithLoss" bottom: "predict01" bottom: "label01" top: "loss01"}layer { name: "acc01" type: "Accuracy" bottom: "predict01" bottom: "label01" top: "acc01"}现在您需要为您希望预测的四个二进制标签复制这三个层。
