如何在 keras 中将回归输出限制在 0 到 1 之间

Question

我正在尝试检测图像中单个对象的单个像素位置。我有一个 keras CNN 回归网络，我的图像张量作为输入，一个 3 项向量作为输出。

第一项：是 1（如果找到对象）或 0（未找到对象）

第二项：是一个介于 0 和 1 之间的数字，表示对象沿 x 轴的距离

第三项：是一个介于 0 和 1 之间的数字，表示对象沿 y 轴的距离

我在 2000 张测试图像和 500 张验证图像上训练了网络，val_loss 远小于 1，val_acc 最好在 0.94 左右。太棒了。

但是当我预测输出时，我发现所有三个输出项的值都不在 0 和 1 之间，它们实际上大约在 -2 和 3 之间。所有三个项目都应介于 0 和 1 之间。

我没有在输出层使用任何非线性激活函数，并且对所有非输出层都使用了 relus。我应该使用softmax，即使它是非线性的？第二和第三项是预测图像的 x 和 y 轴，在我看来是线性量。

这是我的 keras 网络：

inputs = Input((256, 256, 1))

base_kernels = 64 

 # 256
conv1 = Conv2D(base_kernels, 3, activation='relu', padding='same', kernel_initializer='he_normal')(inputs)
conv1 = BatchNormalization()(conv1)
conv1 = Conv2D(base_kernels, 3, activation='relu', padding='same', kernel_initializer='he_normal')(conv1)
conv1 = BatchNormalization()(conv1)
conv1 = Dropout(0.2)(conv1)
pool1 = MaxPooling2D(pool_size=(2, 2))(conv1)

# 128
conv2 = Conv2D(base_kernels * 2, 3, activation='relu', padding='same', kernel_initializer='he_normal')(pool1)
conv2 = BatchNormalization()(conv2)
conv2 = Conv2D(base_kernels * 2, 3, activation='relu', padding='same', kernel_initializer='he_normal')(conv2)
conv2 = BatchNormalization()(conv2)
conv2 = Dropout(0.2)(conv2)
pool2 = MaxPooling2D(pool_size=(2, 2))(conv2)

# 64
conv3 = Conv2D(base_kernels * 4, 3, activation='relu', padding='same', kernel_initializer='he_normal')(pool2)
conv3 = BatchNormalization()(conv3)
conv3 = Conv2D(base_kernels * 4, 3, activation='relu', padding='same', kernel_initializer='he_normal')(conv3)
conv3 = BatchNormalization()(conv3)
conv3 = Dropout(0.2)(conv3)
pool3 = MaxPooling2D(pool_size=(2, 2))(conv3)

flat = Flatten()(pool3)

dense = Dense(256, activation='relu')(flat)
output = Dense(3)(dense)

model = Model(inputs=[inputs], outputs=[output])

optimizer = Adam(lr=1e-4)
model.compile(optimizer=optimizer, loss='mean_absolute_error', metrics=['accuracy'])

有人可以帮忙吗？谢谢！ :) 克里斯

Answer 1

sigmoid 激活产生的输出介于 0 和 1 之间，因此如果您将其用作最后一层（输出）的激活，网络的输出将介于 0 和 1 之间。

output = Dense(3, activation="sigmoid")(dense)