在张量流中从回归神经网络中的输出重建输入答案

【问题标题】：reconstruct inputs from outputs in regression neural networks in tensorflow在张量流中从回归神经网络中的输出重建输入
【发布时间】：2018-10-28 17:07:27
【问题描述】：

假设我们在 tensorflow 中为回归任务（即多输入和多输出情况）训练了一个多层神经网络。然后我们有新的实例，我们应用训练好的模型，当然我们得到相应的输出。有没有办法以简单/有效的方式反向传播输出并在 tensorflow 中重建输入？我在想的是然后使用新实例的原始输入和重构输入的差异作为 QC 度量，即如果重构输入与原始输入不够接近，那么我们就会遇到问题等。我希望我自己清除。

【问题讨论】：

不，因为通常有许多不同的输入可能会产生给定的输出。

标签： python tensorflow neural-network regression

【解决方案1】：

不，很遗憾，您不能采用经过训练的模型并尝试获取相应的输入。这样做的原因是每个输出都有无限可能的解决方案。

此外，反向传播并不是将输出向后传递到网络中。它的想法是确定模型中的哪些参数对损失函数的贡献程度。这不会为这些隐藏层提供输入，而是权重影响您的决策的程度。

【讨论】：

当然可以，但是对新实例的性能进行 QC 的最佳方法是什么？
什么是质控？如果您对如何训练深度学习网络感到好奇，您应该在 Data Science Stack Exchange 中询问它。不幸的是，我们不能在这里用 Tex 写方程，所以解释起来很困难。
@user9810829，这是该社区的链接：datascience.stackexchange.com。
QC = 质量控制。
我的查询与培训无关。如上所述，假设我已经训练了一个网络并完成了典型的准确度测量并启动了它。发布后，我想给用户一些信心，即 QC 或准确性度量，对新实例的预测。