我想使用CNN根据图像预测估计的等待时间。所以我会想象这将使用 CNN 使用 RMSE 的损失函数输出回归类型输出，这就是我现在正在使用的，但它无法正常工作。
有人可以指出使用 CNN 图像识别输出标量/回归输出(而不是类输出(的示例，类似于等待时间，以便我可以使用他们的技术来使其工作，因为我无法找到合适的示例。
我找到的所有CNN示例都是针对MSINT数据并区分输出类输出的猫和狗，而不是等待时间的数字/标量输出。
有人可以给我一个例子，使用 CNN 的张量流给出基于图像识别的标量或回归输出。
非常感谢！老实说，我超级卡住，没有任何进展，并且已经花了两个多星期来处理同样的问题。
查看 Udacity 自动驾驶汽车模型，这些模型从行车记录仪获取输入图像并预测转向角(即连续标量(以保持在道路上......通常在CNN层顶部的一个或多个完全连接的层之后使用回归输出。
https://github.com/udacity/self-driving-car/tree/master/steering-models/community-models
下面是一个典型的模型：
https://github.com/udacity/self-driving-car/tree/master/steering-models/community-models/autumn
。它使用tf.atan()或者您可以使用tf.tanh()或仅线性来获得最终输出y。
将 MSE 用于损失函数。
这是keras中的另一个例子...
model = models.Sequential()
model.add(convolutional.Convolution2D(16, 3, 3, input_shape=(32, 128, 3), activation='relu'))
model.add(pooling.MaxPooling2D(pool_size=(2, 2)))
model.add(convolutional.Convolution2D(32, 3, 3, activation='relu'))
model.add(pooling.MaxPooling2D(pool_size=(2, 2)))
model.add(convolutional.Convolution2D(64, 3, 3, activation='relu'))
model.add(pooling.MaxPooling2D(pool_size=(2, 2)))
model.add(core.Flatten())
model.add(core.Dense(500, activation='relu'))
model.add(core.Dropout(.5))
model.add(core.Dense(100, activation='relu'))
model.add(core.Dropout(.25))
model.add(core.Dense(20, activation='relu'))
model.add(core.Dense(1))
model.compile(optimizer=optimizers.Adam(lr=1e-04), loss='mean_squared_error')
它们与 MNIST 示例的主要区别在于，不是将 N-dim 的对数向量汇集到 softmax 带交叉熵损失，对于您的回归输出，您可以将其降低到 1 暗矢量，带 MSE 损失。(您还可以在最后一层中混合使用多个分类和回归输出...就像在 YOLO 对象检测中一样(
关键是在最后一个全连接(输出(层中没有激活功能。请注意，您必须事先至少拥有 1 个 FC 层。