精度は常に1回Caffe回帰

Question

私のデータセットは400画像32x32x3を含み、ラベルには浮動小数点数（-1,1）が含まれています。例：

faceCroppedImages/img1.jpg 0 
faceCroppedImages/img2.jpg 0.0128 
faceCroppedImages/img3.jpg 0.0128 
faceCroppedImages/img4.jpg 0.0128 
faceCroppedImages/img22.jpg 0.0128 
faceCroppedImages/img23.jpg 0.0085 
faceCroppedImages/img24.jpg 0.0077 
faceCroppedImages/img25.jpg 0.0077 
faceCroppedImages/img293.jpg -0.023 
faceCroppedImages/img294.jpg -0.023 
faceCroppedImages/img295.jpg -0.0204 
faceCroppedImages/img296.jpg -0.0179 
faceCroppedImages/img297.jpg -0.017 
faceCroppedImages/img298.jpg -0.0128 

マイ'solver.prototxt'です：

net: "train_test_hdf5.prototxt" 
test_iter: 100 
test_interval: 500 
base_lr: 0.003 
momentum: 0.9 
weight_decay: 0.0005 
lr_policy: "inv" 
gamma: 0.0001 
power: 0.75 
display: 100 
max_iter: 10000 
snapshot: 5000 
snapshot_prefix: "lenet_hdf5" 
solver_mode: CPU 

と'train_test_hdf5.prototxt'さ：

name: "MSE regression" 
layer{ 
    name: "data" 
    type: "HDF5Data" 
    top: "data" 
    top: "label" 
    hdf5_data_param { 
    source: "train_hdf5file.txt" 
    batch_size: 64 
    shuffle: true 
    } 
    include: { phase: TRAIN } 
} 

layer{ 
    name: "data" 
    type: "HDF5Data" 
    top: "data" 
    top: "label" 
    hdf5_data_param { 
    source: "test_hdf5file.txt" 
    batch_size: 128 
    } 
    include: { phase: TEST } 
} 
layer { 
    name: "conv1" 
    type: "Convolution" 
    bottom: "data" 
    top: "conv1" 
    param { lr_mult: 1 } 
    param { lr_mult: 2 } 
    convolution_param { 
    num_output: 20 
    kernel_size: 5 
    stride: 1 
    weight_filler { 
     type: "xavier" 
    } 
    bias_filler { 
     type: "constant" 
     value: 0 
    } 
    } 
} 
layer { 
    name: "relu1" 
    type: "ReLU" 
    bottom: "conv1" 
    top: "conv1" 
} 
layer { 
    name: "pool1" 
    type: "Pooling" 
    bottom: "conv1" 
    top: "pool1" 
    pooling_param { 
    pool: MAX 
    kernel_size: 2 
    stride: 2 
    } 
} 
layer { 
    name: "dropout1" 
    type: "Dropout" 
    bottom: "pool1" 
    top: "pool1" 
    dropout_param { 
    dropout_ratio: 0.1 
    } 
} 

layer{ 
    name: "fc1" 
    type: "InnerProduct" 
    bottom: "pool1" 
    top: "fc1" 
    param { lr_mult: 1 decay_mult: 1 } 
    param { lr_mult: 2 decay_mult: 0 } 
    inner_product_param { 
    num_output: 500 
    weight_filler { 
     type: "xavier" 
    } 
    bias_filler { 
     type: "constant" 
     value: 0 
    } 
    } 
} 
layer { 
    name: "dropout2" 
    type: "Dropout" 
    bottom: "fc1" 
    top: "fc1" 
    dropout_param { 
    dropout_ratio: 0.5 
    } 
} 
layer{ 
    name: "fc2" 
    type: "InnerProduct" 
    bottom: "fc1" 
    top: "fc2" 
    param { lr_mult: 1 decay_mult: 1 } 
    param { lr_mult: 2 decay_mult: 0 } 
    inner_product_param { 
    num_output: 1 
    weight_filler { 
     type: "xavier" 
    } 
    bias_filler { 
     type: "constant" 
     value: 0 
    } 
} 
} 
layer { 
    name: "accuracy1" 
    type: "Accuracy" 
    bottom: "fc2" 
    bottom: "label" 
    top: "accuracy1" 
    include { 
    phase: TEST 
    } 
} 
layer{ 
    name: "loss" 
    type: "EuclideanLoss" 
    bottom: "fc2" 
    bottom: "label" 
    top: "loss" 
} 

私はデータをテストしていたときただし、精度は常に1です：

私は整数を使用してみました

は私が1000で私の現在のラベルを掛けるラベルが、私はナンエラーを取得しています：

私が間違ってやっている場所を教えてくださいことはできますか？私はカフェやニューラルネットワークの初心者です。どんな提案も貴重です。 TIA。

Answer 1

回帰タスクのための"Accuracy"レイヤーを使用しないポイント：このレイヤーは、分類出力の精度を測定します。
たとえば、Lラベルの1つを予測しようとしている場合、num_outputのfc2レイヤーはLになります。つまり、クラスごとの確率を予測します。次に、"Accuracy"層は、l番目のエントリの確率が期待される出力lに対応する確率が最大であることをチェックします。
出力がfc2の場合、そのような精度をどのように計算できますか？

あなたのケースでは、ユークリッドの損失をチェックするだけで、テストと電車の両方で減少することがわかります。