我正在尝试训练一个图像分类模型，以从图像中定义一个数字特征。我确信SparseCategoricalCrossentropy损失函数对我不起作用，因为在训练过程中，我需要对较大的差异进行更严重的惩罚，而对较小的差异则惩罚较轻。理想情况下，我希望使用均方误差损失函数。
我使用TensorFlow教程来准备模型 – https://www.tensorflow.org/tutorials/images/classification。
对我来说，类名是数字，我尝试了以下选项：
- [’00’, ’01’, ’02’, ’03’, ’04’, ’05’, ’06’, ’07’, ’08’, ’09’, ’10’, ’11’, ’12’]
- [‘0’, ‘1’, ‘2’, ‘3’, ‘4’, ‘5’, ‘6’, ‘7’, ‘8’, ‘9’, ’10’, ’11’, ’12’]
除了数据集之外，我对教程的唯一更改是将SparseCategoricalCrossentropy损失函数替换为’mean_squared_error’。
但很明显，损失函数对我不起作用。它返回的值随着训练而减小，但准确率从不超过5%，甚至随着损失值的减小而下降。结果也不合理。数据是好的，我可以轻松地使用SparseCategoricalCrossentropy损失函数达到95%的准确率。我错过了什么？
更新：我想我真正需要的是一种在TensorFlow中使用带有数字标签的图像定义回归问题的办法。
回答：
事实证明，将图像分类问题转变为回归问题相当容易。与问题中引用的教程相比，我必须进行以下更改：
-
使用数字作为’类’（文件夹名称）的不同数据集。
-
将损失函数更改为均方误差或其他适合回归的损失函数。
-
将模型的最后一层改为只有1个神经元，而不是类别的数量（并且不使用softmax）：
...layers.Dense(128, activation='relu'),layers.Dense(1) # 从num_classes改为1 -
更改预测结果的解释方式：
... predictions = model.predict(img_array) # score = tf.nn.softmax(predictions[0]) # 适合分类，但不适合回归 score = predictions.flatten()[0] # 适合回归的正确结果 ...
