В Tensorflow 2.0 я пытаюсь построить модель, которая классифицирует мои объекты на две категории: положительные и отрицательные.
Я хочу использовать показатели tf.keras.metrics.FalsePositives
и tf.keras.metrics.FalseNegatives
, чтобы увидеть, как модель улучшается с каждой эпохой. Обе эти метрики имеют утверждения, предусматривающие: [predictions must be >= 0]
и [predictions must be <= 1]
.
Проблема в том, что неподготовленная модель может генерировать произвольное число в качестве прогноза. Но даже обученная модель может иногда давать результат немного выше 1 или немного ниже 0.
Есть ли способ отключить эти утверждения?
В качестве альтернативы, есть ли какая-либо подходящая функция активации, которая переводит выходные данные модели в диапазон [0, 1]
, не вызывая проблем со скоростью обучения?
sigmoid
является подходящей альтернативой, если выходы должны находиться в диапазоне[0, 1]
. - person stephen_mugisha   schedule 04.10.2019tanh
, поэтому я ограничен использованием толькоtanh
. - person Volodymyr Frolov   schedule 04.10.2019sigmoid
только для проверки, а затем удалить его в процессе производства. Не могли бы вы добавить его в качестве ответа, чтобы я мог его принять. - person Volodymyr Frolov   schedule 04.10.2019