【发布时间】：2020-05-12 16:30:33
【问题描述】：
我遇到过许多用于分类问题的神经网络架构。 AlexNet、ResNet、VGGNet、GoogLeNet 等……是否有类似的回归问题网络可用于迁移学习？
【问题讨论】：
标签： keras neural-network artificial-intelligence pytorch conv-neural-network
【发布时间】：2020-05-12 16:30:33
【问题描述】：
好吧，所有这些架构不仅用于分类，将 DL 模型从分类修改为回归所需的唯一转变就是改变顶层。例如，在 VGGNET 中，最后一层可能是：
Dense(25, activation='softmax')
这意味着我们要预测具有概率分布（分类）的 25 个输出
但也有可能
Dense(1, activation='linear')
使用完全相同的架构，它会输出一个数字（回归）
因此，在迁移学习的情况下，您只需采用在分类任务上预训练的现有架构，移除顶层并做任何您想做的事情。
【讨论】：
-
因此，对于具有“n”个输出的多变量回归，我可以使最后一层像这样 Dense(n, activation='linear')
-
完全正确，并使用 mean_squared_error 作为损失。另外，我说的是线性激活，但您也可以使用 sigmoid 或泄漏 relu，然后您需要对目标进行归一化，使其介于 [0, 1] 之间（以便与模型的输出进行比较） .然后在推理过程中对其进行非规范化