我正在尝试处理从YOLO v5获得的数据，这些数据是每个检测到的对象的4个值的数组（posX, posY, SizX, Sizy）。我知道多个检测之间存在关联，我希望神经网络能找到这种关联。对于每个输入数组，它应该返回一个2×4的矩阵，或者平铺后的大小为8的数组。我正在使用Keras Sequential模型训练4017个样本：
model = Sequential()model.add(layers.Dense(256, activation="relu", name="layer1"))model.add(Dropout(0.5))model.add(BatchNormalization())model.add(layers.Dense(592, activation="relu", name="layer2"))model.add(Dense(8))model.add(Activation('softmax'))sgd = tf.keras.optimizers.SGD(lr=0.1, decay=1e-6, momentum=0.9, nesterov=True)model.compile(loss='binary_crossentropy', optimizer=sgd, metrics=['accuracy'])hist=model.fit(X, y, batch_size=48, epochs=50, validation_split=0.2)但是我得到的结果并不理想：
Epoch 20/2080/80 [==============================] - 1s 10ms/step - loss: 0.5413 - accuracy: 0.9963 - val_loss: 0.5414 - val_accuracy: 0.9937其中预测结果为：
Input: [0.50070833 0.50070833 0.42683333 0.22983333]Expected Output: [[0.591 0.50070833 0.04514583 0.25035417] [0.50070833 0.34475 0.44735417 0.04514583]]NeuralNetwork Output: [[0.28618604 0.18969838 0.00889739 0.06283922] [0.18952993 0.09904755 0.15489812 0.00890343]]添加/删除层/BatchNormalization/Dropout 没有任何效果，改变损失函数/优化器只会使结果变得更差。你对这个问题有什么建议或解决方案吗？
回答：
输出层的Softmax激活函数通常用于分类问题，你似乎不是在做分类，而是回归（因为输出是连续的，而不是离散的）。
那么你应该将输出层的激活函数改为适合的函数，比如linear（通用解决方案）或sigmoid（如果目标值在[0, 1]范围内）。
