卷积神经网络训练
我有一个关于卷积神经网络（CNN）训练的问题。
我成功地使用tensorflow训练了一个网络，它获取一个输入图像（1600像素），然后输出三个匹配的类中的一个。
使用不同的培训课程测试网络，效果良好。然而当我给它一个不同的第四个图像（不包含任何经过训练的3个图像）时，它总是返回一个随机匹配到其中一个类。
我的问题是，如何训练网络来分类图像不属于这三个训练图像中的任何一个？类似的例子是，如果我针对mnist数据库训练一个网络，然后A给它一个字符“A”或“B”。是否有办法区分输入不属于这两个类中的任何一个？
非常感谢。
共有3个答案
您可能有三个输出节点，并选择最大值（一个热编码）。这有点不幸，因为它的输出数量很低。不可识别的输入往往会导致非常随机的输出。
现在，有了3个输出，粗略地说，你可以得到7个结果。您可能会得到一个高值（3种可能性），但未识别的输入也可能导致2个高输出（3种可能性）或近似相等的输出（3种可能性）。因此，有相当大的机会（约3/7）随机输入会在输出节点上生成一个模式，而您只能期望一个可识别的输入。
现在，如果您有15个类，因此有15个输出节点，那么您将看到大约32767个未识别输入的可能结果，其中只有15个对应于预期的一个热门结果。
根本原因是缺乏培训数据。如果你的训练集中有这三门课以外的例子，你可以把它放在第四个“其他”类别中，然后用它来训练。这本身并不是一个可靠的指示，因为通常理论上的“其他”集是巨大的，但现在有两种互补的方法来检测其他输入：通过“其他”输出节点或11个不明确的输出之一。
卷积神经网络（CNN）预测训练后定义的类的结果。无论准确性如何，CNN总是从其中一个课程返回。我也遇到过类似的问题，您可以做的是检查精度值。如果精度低于某个阈值，则不属于任何类别。希望这有帮助。
您的模型将始终像您的标签一样进行预测，因此例如，如果您使用MNIST数据训练您的模型，当您进行预测时，预测将始终是0-9，就像MNIST标签一样。
您可以首先使用两个类来训练不同的模型，在这两个类中，您将预测图像是否属于数据集a或B.E.x。对于MNIST数据，您将所有数据标记为1，并添加来自其他不同来源（不是0-9）的数据，然后将其标记为0。然后训练一个模型，找出图像是否属于MNIST。
-
这是我的问题。我训练了一个卷积神经网络，用tensorflow将图像分为两类。我现在想知道如何使用神经网络的权重，并在未标记的随机图像上进行测试。tensorflow中是否有这样的函数，或者我现在应该自己运行卷积吗？
-
是否有方法按层（而不是端到端）训练卷积神经网络，以了解每一层对最终架构性能的贡献？
-
注意: 本教程适用于对Tensorflow有丰富经验的用户，并假定用户有机器学习相关领域的专业知识和经验。 概述 对CIFAR-10 数据集的分类是机器学习中一个公开的基准测试问题，其任务是对一组大小为32x32的RGB图像进行分类，这些图像涵盖了10个类别： 飞机， 汽车， 鸟， 猫， 鹿， 狗， 青蛙， 马， 船以及卡车。 想了解更多信息请参考CIFAR-10 page，以及Alex Kriz
-
卷积神经网络（Convolutional Neural Network, CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。卷积神经网络由一个或多个卷积层和顶端的全连通层（对应经典的神经网络）组成，同时也包括关联权重和池化层（pooling layer）。这一结构使得卷积神经网络能够利用输入数据的二维结构。与其他深度学习结构相比，卷积神经网络
-
在了解了机器学习概念之后，现在可以将注意力转移到深度学习概念上。深度学习是机器学习的一个分支。深度学习实现的示例包括图像识别和语音识别等应用。 以下是两种重要的深度神经网络 - 卷积神经网络 递归神经网络 在本章中，我们将重点介绍CNN - 卷积神经网络。 卷积神经网络 卷积神经网络旨在通过多层阵列处理数据。这种类型的神经网络用于图像识别或面部识别等应用。CNN与其他普通神经网络之间的主要区别在于
-
主要内容：卷积神经网络深度学习是机器学习的一个分支，它是近几十年来研究人员突破的关键步骤。深度学习实现的示例包括图像识别和语音识别等应用。 下面给出了两种重要的深度神经网络 - 卷积神经网络 递归神经网络。 在本章中，我们将关注第一种类型，即卷积神经网络(CNN)。 卷积神经网络 卷积神经网络旨在通过多层阵列处理数据。这种类型的神经网络用于图像识别或面部识别等应用。 CNN与任何其他普通神经网络之间的主要区别在于CNN