keras中的多输出回归的MSE是如何计算的？
我有一个输出 6 个变量的 Keras 深度学习模型。
model = Sequential()
model.add(Dense(32, input_dim=12, kernel_initializer='he_uniform', activation='relu'))
model.add(Dense(256, activation='relu'))
model.add(Dense(32, activation='relu'))
model.add(Dense(6, activation = 'linear'))
model.compile(loss = 'MSE', optimizer = 'adam')
这六个变量的错误是如何编译到一个 MSE 中的？六个变量中的每一个变量不应该都有 MSE 吗？是对 6 进行缩放并求平均值吗？
I have a Keras deep learning model that outputs 6 variables.
model = Sequential()
model.add(Dense(32, input_dim=12, kernel_initializer='he_uniform', activation='relu'))
model.add(Dense(256, activation='relu'))
model.add(Dense(32, activation='relu'))
model.add(Dense(6, activation = 'linear'))
model.compile(loss = 'MSE', optimizer = 'adam')
How are the errors for these six variables compiled into one MSE? Should there not be an MSE for each of the six variables? Is it scaling the 6 and averaging them?
如果你对这篇内容有疑问，欢迎到本站社区发帖提问 参与讨论，获取更多帮助，或者扫码二维码加入 Web 技术交流群。
绑定邮箱获取回复消息
由于您还没有绑定你的真实邮箱，如果其他用户或者作者回复了您的评论，将不能在第一时间通知您！
发布评论
评论（1）
这取决于这6个变量之间的联系。例如，6 个变量是同一任务，只是网络/模型的深度不同。您可以缩放 6 并对其求平均值。
如果六个变量是不同的任务，则应该使用六个不同的损失函数。通常每个损失函数的权重是相等的。
我的母语不是英语。希望您能理解我的回答并对您有所帮助。
It depends on the connection between these 6 variables. For example, the 6 variables is the same task that is onlt different depth of the network/model. You can scale the 6 and averaging them.
you should use six different loss function if the six variables is different task. Usually the weight of each loss function is equal.
I am a non-native English speaker. Hope you can understand my answer and help you.