是否可以使用 Tensorflow 创建用于输入/输出映射的神经网络？

Posted 2023-03-12

【中文标题】是否可以使用 Tensorflow 创建用于输入/输出映射的神经网络？

【英文标题】：Is it possible using Tensorflow to create a neural network for input/output mapping?

【发布时间】：2017-02-21 14:46:33

【问题描述】：

我目前正在使用 tensorflow 创建一个神经网络，该网络复制了在给定输入的情况下创建特定输出的功能。

本例中的输入是采样音频，音频正在生成 MFCC 特征。知道每个文件对应的 MFCC 功能是什么，但不确定我应该如何设置神经网络。

我正在关注本指南/教程http://www.kdnuggets.com/2016/09/urban-sound-classification-neural-networks-tensorflow.html/2

它说神经网络是这样设置的

training_epochs = 5000
n_dim = tr_features.shape[1]
n_classes = 10
n_hidden_units_one = 280 
n_hidden_units_two = 300
sd = 1 / np.sqrt(n_dim)
learning_rate = 0.01

我的问题是我如何定义类的数量？我的意思是，我计算出的真实值不是分类的，而是一个十进制数，所以我应该只创建具有不同数量的类的多个网络，并选择与原始值相比误差最小的一个，或者是否有一个 tensorflow 命令可以做到这一点，就像我在做监督学习一样..

【参考方案1】：

神经网络可用于分类任务或回归任务。在tutorial，作者想将声音分为10个不同的类别。因此，神经网络有 10 个输出神经元 (n_classes)，它们的每个激活值都给出了输入声音所属类别的概率。

在我们的例子中，您想用十进制数映射给定的声音（对吗？），所以这是一个回归任务：神经网络必须学习一个未知函数。输出神经元的数量必须等于我们未知函数的输出维度（如果它只是一个十进制数，则为 1）。

所以如果你想为我们的回归任务保持相同的架构，只需设置n_classes = 1并将y_修改为

y_ = tf.matmul(h_2,W) + b

因为tf.nn.softmax将最终得分转化为概率（对分类有好处，但对回归不好）

【讨论】：

OP 还必须修改成本，因为教程 cost_function = tf.reduce_mean(-tf.reduce_sum(Y * tf.log(y_), reduction_indices=[1])) 中的成本对回归没有意义。

该死，我忘记了coss函数。谢谢@lejlot！