神经网络分类和回归一次[重复]

Question

我在空间中生成随机分布的数据点，形成一个环。我这样做直到获得一定数量的戒指，然后我将其转换为图像。看起来像这样：

之后，我将这些图像作为 CNN 的输入，以训练网络在一张图像中的环数。

print(X_train_CNN.shape, X_test_CNN.shape, Y_train_CNN.shape, Y_test_CNN.shape)
(4000, 32, 32, 1) (1000, 32, 32, 1) (4000,) (1000,)

import tensorflow as tf
from keras.models import Sequential
from keras.layers import Dense, Conv2D, Dropout, Flatten, MaxPooling2D

model = Sequential()

model.add(Conv2D(28, kernel_size=(3,3), input_shape=(imgsize, imgsize, 1)))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Flatten())
model.add(Dense(128, activation=tf.nn.relu))
model.add(Dropout(0.2))
model.add(Dense(maxcircles,activation=tf.nn.softmax))

学习曲线和预测如下所示：

如您所见，分类效果很好。

除了每个图像的环数之外，我还想预测圆的半径。 但这些是根本不同的任务，因为一个是回归，另一个是分类。

有没有办法只用一个 CNN 来完成这两项任务？ 以及如何突出显示图像中正确分类的圆圈？ （比如物体检测）

Answer 1

正如您所说的那样，这是两个不同的任务。对于圈数，您使用 softmax 函数将您的输出相互关联。 （总和 = 1） 显然，您不能将此输出层应用于回归问题，因为不同圆的半径彼此独立。你至少要为这个问题定义一个新的输出层/损失函数，但是你可以保留基本模型没有输出层（这当然不保证模型在两个应用程序）

编辑：关于突出显示，您的模型仅计算圆圈的数量，它不会识别对象，也不会告诉您哪个圆圈被真正计为一个。