如何将一个热点向量的结果桶和正确桶之间的差异考虑在内？

Question

您好，我正在我的大学使用tensorflow，试图仅使用模拟产生的图像来对模拟程序的转向角度进行分类。

转向角度是从-1到1的值，我将它们分成50个“桶”。所以我的预测向量的第一个值意味着预测的转向角度在-1到-0.96之间。下面显示了我正在使用的分类和优化函数。

cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(prediction, y))
optimizer = tf.train.AdamOptimizer(0.001).minimize(cost)

Y是一个向量，它有49个0和一个1代表正确的存储桶。我现在的问题是。例如，如果正确的存储桶位于索引25，那么我如何考虑26的预测比48的预测要好得多。

我没有发布实际的网络，因为它只是几个conv2d和maxpool层，最后是一个完全连接的层。

Answer 1

因为您应用的是交叉熵或负对数似然。在给定预测输出和基本事实的情况下，您正在惩罚系统。

也就是说，你的系统在50个班级的输出中预测了不同的数字，最高的是班级号25，但你的实际情况是班级26。因此，您的系统将采用26的预测值，并调整参数，以便在下次看到此输入时在此输出上生成最高数值。

Answer 2

你可以做两件基本的事情：

将y和预测更改为-1..1范围内的标量；使损失函数为(y-预测)**2或其他值。一种非常不同的模型，但可能比one-hot更合理。

保持一个热门的目标和损失，但有y=目标*w，其中w是一个常数矩阵，大部分是0，1在对角线上，在下一个对角线上有较小的值，元素(例如y(i) =目标(I)* 1. +目标(i-1)* .5 +目标(i+1)* .5 + ...)；有点粗略，但它应该收敛到合理的值。