带有千层面的卷积神经网络精度（回归与分类）

Question

我一直在玩Lasagne一段时间用于使用卷积神经网络的二元分类问题。但是，虽然我得到了培训和验证丢失的结果（ish），但我的验证和测试准确性始终是恒定的（网络始终预测同一类）。

我遇到了this，与我一起遇到过与Lasagne相同问题的人。他们的解决方案是设置regression=True，因为他们在烤宽面条上使用Nolearn。

有没有人知道如何在Lasagne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这样做？

Answer 1

从nolearn看the code of the NeuralNet class，看起来参数regression在各个地方使用，但大多数时候它会影响输出值和损失的计算方式。

如果是regression=False（默认值），网络将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regression=True的情况下，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的专家，但这可能有效的原因是，在regression=True的情况下，如果有一个小的误差梯度，对网络参数应用微小的变化可能不会改变预测的类和相关的损失，并可能导致算法“认为”它已经收敛。但是，如果你看一下类概率，小的参数变化会影响概率和结果均方误差，网络将继续沿着这条路走下去，最终可能改变预测。

这只是猜测，如果没有看到代码和数据集，很难说清楚。