caffe：如何解释欧氏损失（逐像素回归）
caffe: How to interpret EuclideanLoss (pixel-wise regression)
我有一个图像作为输入，一个图像作为 ground_truth。我的最后一层是 EuclideanLoss，其中最后 convolutional 层具有 num_output = 1，以便计算这两幅图像之间的损失。
在使用我的 deploy.prototxt 测试网络时，我省略了 EuclideanLoss 层，这意味着我的最后一层是 Convolutional 层，然后是 Relu 层.当我通过 Python 检索这些值时，我该如何解释这些值：
pred = net.forward()
output_blob = pred['result']
output_blob 是 1xheightxwidth 形状，但值不在特定范围内。他们甚至可以是消极的。您如何检索正确的值来创建图像？或者我必须如何解释这些值？我是否必须从输入图像中减去它们，或者我应该如何处理它们？
如果你知道你的输出应该是非负的，为什么要使用负斜率的 ReLU？，我会将其更改为常规的 ReLU 层。
然后，在使用 forward() 之后，你应该得到这样的输出数据：
output_data=output_blob.data[...]
该输出的形状可能类似于 Batch、nchannels、H、W。
您可以使用 output_data=np.squeeze (output_data)
将输出作为二维矩阵。
编辑：
解释最后一层值的方法是，它是最接近（根据 L2 距离）在给定输入训练期间看到的深度估计的图像。
我有一个图像作为输入，一个图像作为 ground_truth。我的最后一层是 EuclideanLoss，其中最后 convolutional 层具有 num_output = 1，以便计算这两幅图像之间的损失。
在使用我的 deploy.prototxt 测试网络时，我省略了 EuclideanLoss 层，这意味着我的最后一层是 Convolutional 层，然后是 Relu 层.当我通过 Python 检索这些值时，我该如何解释这些值：
pred = net.forward()
output_blob = pred['result']
output_blob 是 1xheightxwidth 形状，但值不在特定范围内。他们甚至可以是消极的。您如何检索正确的值来创建图像？或者我必须如何解释这些值？我是否必须从输入图像中减去它们，或者我应该如何处理它们？
如果你知道你的输出应该是非负的，为什么要使用负斜率的 ReLU？，我会将其更改为常规的 ReLU 层。 然后，在使用 forward() 之后，你应该得到这样的输出数据：
output_data=output_blob.data[...]
该输出的形状可能类似于 Batch、nchannels、H、W。
您可以使用 output_data=np.squeeze (output_data)
将输出作为二维矩阵。
编辑： 解释最后一层值的方法是，它是最接近（根据 L2 距离）在给定输入训练期间看到的深度估计的图像。