当有许多输出时使用哪个损失函数？
类似于1000 x 1像素图像的数据来自设备。图像中的某处可能有1个、2个或更多对象。
我要建立一个神经网络来检测物体。我想做1000个输出。每个输出将指示该输出中是否有对象。建议我使用哪个损失函数。
在我看来，“分类交叉熵”是不合适的，因为例如：在训练数据中，我将指示对象位于10和90像素。神经网络会预测物体在11和89像素。这不是什么大损失。但是对于网络来说，它会像预测500和900像素的物体一样损失。
这样的情况适合什么损失函数？我在利用Keras
共有3个答案
正如Siddharth所说，您将使用两个损失函数，因为您有一个回归问题和一个分类问题。看见https://www.youtube.com/watch?v=GSwYGkTfOKk更多细节。特别要注意这张幻灯片：
也就是说，第一个任务简单地分类对象是否存在（逻辑回归损失），第二个任务查找边界框（平方误差损失）。
您可以使用二进制交叉熵损失，并将距离地面真实值最近的n个箱子设置为标签。
例如，您有10个像素，地面真相标签为3，您选择了3个邻居。
在典型的分类交叉熵中，您可以使用一热编码向量将标签设置为跟随。
[0 0 1 0 0 0 0 0 0 0]
在我建议的解决方案中，您将使用
[0 1 1 1 0 0 0 0 0 0]
或者它可以是这样，基本上施加高斯而不是平面标签。
[0 0.5 1 0.5 0 0 0 0 0 0]
评论中建议的对象检测体系结构也基本上以我描述的方式运行。除了他们使用量化方案
[0 1 0 0 0 0 0 0]（实际像素）
[- - 1 - - - - 0 - -] (组分为2组，每组5个。您的网络现在只有两个输出。将此视为合并阶段，因为实际像素属于组1。此子网络使用二进制交叉熵）。
[1 0]（第一分类网络输出）
[-1 0]（这个第二阶段可以被认为是增量网络，它从第一阶段获取分类的bin值并输出一个修正值，因为第一个bin锚定在索引2，你需要预测-1才能将其移动到索引1。该网络使用平滑的l1损失进行训练）。
现在马上就有问题了，如果组1中有两个对象呢？这是一个不幸的问题，同样存在于目标检测体系结构中。解决此问题的方法是定义稍微移动和缩放的箱子（或锚）位置。这样，您最多可以在一个像素处检测N个对象，其中N是在该像素处定义的锚数量。
在目标检测中，主要有两个任务：定位和分类。因此，我们有两个任务的损失-一个是本地化，另一个是分类损失。它是使用IoU（并集上的交点）计算的。这里有更多细节。
-
损失函数 1. 二分类 在二分类问题中，目标$y$只能取两个值。在本节笔记中，我们将展示如何建模这个问题，通过令$y \in{-1,+1}$，这里如果这个例子是正类的一个元素，我们说$y$是$1$，如果这个例子是负类的一个元素，我们说$y = - 1$。和往常一样，我们假设我们的输入特征$x \in \mathbb{R}^{n}$。 和我们处理监督学习问题的标准方法一样，我们首先为我们的假设类选择
-
本文向大家介绍gbdt的损失函数？相关面试题，主要包含被问及gbdt的损失函数？时的应答技巧和注意事项，需要的朋友参考一下 gbdt可以用多种损失函数来进行拟合回归树
-
本文向大家介绍Lasso的损失函数相关面试题，主要包含被问及Lasso的损失函数时的应答技巧和注意事项，需要的朋友参考一下 参考回答：
-
本文向大家介绍LR的损失函数相关面试题，主要包含被问及LR的损失函数时的应答技巧和注意事项，需要的朋友参考一下 参考回答： M为样本个数,为模型对样本i的预测结果,为样本i的真实标签。
-
本文向大家介绍SVM的损失函数相关面试题，主要包含被问及SVM的损失函数时的应答技巧和注意事项，需要的朋友参考一下 参考回答：
-
损失函数的使用 损失函数（或称目标函数、优化评分函数）是编译模型时所需的两个参数之一： model.compile(loss='mean_squared_error', optimizer='sgd') from keras import losses model.compile(loss=losses.mean_squared_error, optimizer='sgd') 你可以传递一个