※ 引述《dogs1231992 (河豚)》之铭言： : 标题: [问题] TensorFlow如何设定复杂的loss function? : 时间: Fri Feb 1 05:02:10 2019 : : 各位大家好，小弟最近想用TensorFlow来完成NN的部分 : : 目前数据都准备好了，TensorFlow的部分则是上网查了一些资料，层及进出都设定好了 : : 只是我遇到一个关於loss function的问题 : : 一般训练都是N个数据进去，M个数据出来，用这M个数据与参考值求误差 : : 但我的状况是： : : 我有一个三维的资料： N x M x P : : 里面有 N 个images，每个images有 M 个原子，每个原子有 P 个参数 : : 希望可以利用同一个 (或者依照原子不同而分类成多个) NN : : 在我输入P个数据後，可以得到答案Ep : : 同一个image里面所有原子M的Ep加总後会得到一个值 En : : 全部资料会有N个En，这些En与参考值求误差後即为我的loss : : 目前卡在不知道该如何将M次计算後的Ep全部加总在一起 : : 推 yoyololicon: 我会建议你不要用一个个原子去想 而是用image的角度 02/02 07:39 : → yoyololicon: 因为你的目标En单位是每个image 02/02 07:39 : → yoyololicon: 就直接用(N, M, P)大小的矩阵直接去train不用拆开 02/02 07:41 : → yoyololicon: 对应的label为长度(N,)的矩阵 这边N就是batch size 02/02 07:42 : : Y大，想请问您的意思是是否为： : : 我的单一个input就是 M x P 的矩阵 : : 输出则为 M个参数 或者 直接把所有输出加总在一起变成一个En? : : N个images在训练後就会得到 N个 En : 都可以 这样的话你的输入可以缩减成二维 (N, M x P) 经过NN (可能的架构: (M x P) x .... x M) 後输出变成(N, M) 再用tf.reduce_sum加总成(N,)，再来算loss; 或者用原本的架构也可以(2 x 15 x 1) 输入 (N, M, P) >> NN >> (N, M, 1)，之後的步骤一样 我不确定你的M是固定的还是变数 如果是变动的，可以做padding让大小变成一样 : 如果是这样的话，想请问是否有办法在输入 M x P 的矩阵时分辨谁要走NN1，谁要走NN2? 应该在一开始就把资料分成两群，而不是在输入的时候做分辨 --

※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 118.167.108.207 ※ 文章网址: https://webptt.com/cn.aspx?n=bbs/Python/M.1549086223.A.F05.html ※ 编辑: yoyololicon (118.167.108.207), 02/02/2019 13:44:42