python - Lasagne 的卷积神经网络精度（回归与分类）

Question

我一直在使用 Lasagne 来解决使用卷积神经网络的二元分类问题。然而，虽然我得到了训练和验证损失的好（ish）结果，但我的验证和测试准确度始终保持不变（网络总是预测同一个类）。

我遇到过这个，和我一样的千层面问题。他们的解决方案是regression=True在 Lasagne 上使用 Nolearn 进行设置。

有谁知道如何在千层面中设置相同的变量（因为我不想使用 Nolearn）？除此之外，有没有人解释为什么需要发生这种情况？

Answer 1

从 nolearn看NeuralNet类的代码，看起来参数regression 在各个地方都有使用，但大多数时候它会影响输出值和损失的计算方式。

在regression=False（默认）的情况下，网络输出具有最大概率的类，并使用分类交叉熵计算损失。另一方面，在 的情况下regression=True，网络输出每个类的概率，并用输出向量上的平方误差计算损失。

我不是深度学习和 CNN 方面的专家，但这可能奏效的原因是，regression=True如果误差梯度很小，对网络参数应用小的更改可能不会改变预测的类别和相关的损失，并且可能导致算法“认为”它已经收敛。但是，如果您查看类概率，小的参数变化会影响概率和由此产生的均方误差，并且网络将继续沿着这条路径前进，这最终可能会改变预测。

这只是一个猜测，不看代码和数据集很难判断。