0
저는 Tensorflow 네트워크를 사용하여 인접 클래스와 비슷한 클래스간에 분류합니다. 즉, 독립적이지는 않습니다. 예를 들어 10 개의 클래스 중 하나를 예측하려고하지만 예측이 단순히 "올바르다"또는 "올바르지 않은"것은 아닙니다. 대신 올바른 클래스가 7이고 네트워크가 6을 예측하면 네트워크가 5를 예측 한 것보다 손실이 적어야합니다. 6이 5보다 정확한 답에 더 가깝기 때문입니다. 제 이해는 크로스 엔트로피 및 1- 핫 벡터가 "모두 오류의 크기를 반영하는 "연속적인"손실보다는 손실을 의미합니다. 그것이 맞다면, 어떻게 Tensorflow에서 그러한 지속적인 손실을 구현합니까?비 독립 클래스의 Tensorflow 손실
- 업데이트 2016년 6월 13일 ----
예제 응용 프로그램이 색상 인식 될 수 있습니다. 네트워크가 "녹색"을 예측하지만 실제 색상이 노란색 - 녹색 인 경우 녹색이 파란색보다 더 나은 예측이기 때문에 네트워크가 파란색으로 예측 한 경우보다 손실이 적어야합니다.