Возможно ли использование TensorFlow для создания нейронной сети, которая отображает определенный вход на определенный выход?

Question

В настоящее время я играю с Tensorflow, но, похоже, не могу получить, будь то полезно для моей проблемы?

Мне нужно создать нейронную сеть, которая способна отображать вход с выводом.

То, как обстоят дела, сейчас нет, у меня нет ни одного примера, в котором это было сделано, все типы проблем Tensorflow, кажется, решают задачу классификации, а не такая проблема сопоставления ... способен ли это сделать Tensorflow? , Должен ли я использовать другую структуру нейронной сети для этого?, И если он доступен, может ли кто -нибудь показать какой -то код (не пример MNIST)

Мое задание:

В настоящее время я пытаюсь сделать нейронную сеть, которая принимает образцы аудиофайлов, и генерирует функции MFCC из образцов. Функции MFCC могут быть рассчитаны вручную, что я сделал, поэтому я знаю, что я ищу, я ищу. Функция MFCC - это вектор функций - это разные номера реальных значений. Меня нельзя классифицировать как класс A или класс B, или это значительно снизило бы точность выхода, так как вы подгоняете выход для предопределенных «бункеров» ...

Answer 1

Из вашего описания кажется, что вы сталкиваетесь регрессия Проблема, потому что вы хотите, чтобы ваш вывод был определенными значениями. Это отличается от классификация Проблемы, которые имеют в качестве вывода вероятность ввода, принадлежащего определенному классу.

Ключом к использованию нейронных сетей для регрессии является то, что выходной слой не должен иметь активации, то есть это должен быть линейный слой. Как указано @janvandervegt, распространенной функцией потери для задач регрессии является средняя квадратная ошибка (MSE) между текущим выходом и вычисленными вами функциями MFCC.

Если вы Google «Пример регрессии TensorFlow» вы можете найти десятки полных примеров, например это или же это.

Answer 2

То, что вы предлагаете, безусловно, возможно, вы бы просто не узлы в вашем выходном слое с не Быть размером с вашего вектора функций MFCC, и вам необходимо определить функцию потери, которая определяет, какие ошибки он в настоящее время совершает. Если все функции имеют аналогичную масштаб и аналогичную важность, вы можете использовать среднюю квадратную ошибку, но вы можете проявить творческий подход здесь. В принципе это не сильно отличается от многоклассной классификации с слоем SoftMax в конце. В этом случае у вас есть в Выходные узлы после слоя SoftMax и функции потери поперечной энтропии, в вашем случае у вас не узлы в вашем выходном слое после, например, полностью подключенный слой с функцией потери MSE. Поправьте его ряд примеров, и она должна выполнить задачу разумным, если данные представлены хорошо. Хотя я не уверен, почему вы хотели бы использовать подход ML, если он вычисляется, вы потеряете точность, и я не уверен, какую скорость вы выигрываете.

Очень простой пример, в котором TensorFlow используется для задачи регрессии, а не задача классификации - это линейная регрессия с градиентным спусканием, которую вы можете увидеть здесь: https://github.com/aymericdamien/tensorflow-examples/blob/master/notebooks/2_basicmodels/lineear_regression.ipynb