非独立类的 TensorFlow 损失

Question

我正在使用 Tensorflow 网络在与其相邻类相似的类之间进行分类，即不独立。例如，假设我们要在 10 个类别中进行预测，但预测不仅仅是“正确”或“不正确”。相反，如果正确的类是 7 并且网络预测为 6，则损失应该小于网络预测 5，因为 6 比 5 更接近正确答案。我的理解是交叉熵和 1-hot 向量提供“所有or nothing”损失，而不是反映误差大小的“连续”损失。如果这是正确的，那么如何在 Tensorflow 中实现这样的连续损失？

-- 2016 年 6 月 13 日更新 ----

一个示例应用程序可能是颜色识别。如果网络预测“绿色”但真实颜色是黄绿色，那么损失应该小于网络预测蓝色，因为绿色比蓝色预测更好。

Answer 1

您可以选择实现一个连续函数（例如 HSV 中的色调）作为单个输出，并构建您自己的损失计算来反映您想要优化的内容。在这种情况下，您只有一个介于 0.0 和 1.0 之间的输出值，并且将根据与标记值的距离来评估损失。