我正在尝试检测图像中单个对象的单个像素位置。我有一个 keras CNN 回归网络，我的图像张量作为输入，一个 3 项向量作为输出。
第一项:是 1(如果找到对象)或 0(未找到对象)
第二项:是一个介于0和1之间的数字，表示物体沿x轴有多远
第三项:是一个0到1之间的数字，表示物体沿y轴的距离
我在2000张测试图片和500张验证图片上训练了网络，val_loss远小于1，val_acc最好在0.94左右。太棒了。
但是当我预测输出时，我发现所有三个输出项的值都不在 0 和 1 之间，它们实际上大约在 -2 和 3 之间。所有三项都应介于 0 和 1 之间。
我没有在输出层使用任何非线性激活函数，并且对所有非输出层都使用了 relus。我应该使用 softmax，即使它是非线性的吗？第二项和第三项是预测图像的 x 轴和 y 轴，这在我看来是线性量。
这是我的 keras 网络:
inputs = Input((256, 256, 1))
base_kernels = 64
# 256
conv1 = Conv2D(base_kernels, 3, activation='relu', padding='same', kernel_initializer='he_normal')(inputs)
conv1 = BatchNormalization()(conv1)
conv1 = Conv2D(base_kernels, 3, activation='relu', padding='same', kernel_initializer='he_normal')(conv1)
conv1 = BatchNormalization()(conv1)
conv1 = Dropout(0.2)(conv1)
pool1 = MaxPooling2D(pool_size=(2, 2))(conv1)
# 128
conv2 = Conv2D(base_kernels * 2, 3, activation='relu', padding='same', kernel_initializer='he_normal')(pool1)
conv2 = BatchNormalization()(conv2)
conv2 = Conv2D(base_kernels * 2, 3, activation='relu', padding='same', kernel_initializer='he_normal')(conv2)
conv2 = BatchNormalization()(conv2)
conv2 = Dropout(0.2)(conv2)
pool2 = MaxPooling2D(pool_size=(2, 2))(conv2)
# 64
conv3 = Conv2D(base_kernels * 4, 3, activation='relu', padding='same', kernel_initializer='he_normal')(pool2)
conv3 = BatchNormalization()(conv3)
conv3 = Conv2D(base_kernels * 4, 3, activation='relu', padding='same', kernel_initializer='he_normal')(conv3)
conv3 = BatchNormalization()(conv3)
conv3 = Dropout(0.2)(conv3)
pool3 = MaxPooling2D(pool_size=(2, 2))(conv3)
flat = Flatten()(pool3)
dense = Dense(256, activation='relu')(flat)
output = Dense(3)(dense)
model = Model(inputs=[inputs], outputs=[output])
optimizer = Adam(lr=1e-4)
model.compile(optimizer=optimizer, loss='mean_absolute_error', metrics=['accuracy'])
有人可以帮忙吗？谢谢! :) 克里斯
请您参考如下方法:
sigmoid 激活产生介于 0 和 1 之间的输出，因此如果您将它用作最后一层的激活(输出)，网络的输出将介于 0 和 1 之间。
output = Dense(3, activation="sigmoid")(dense)
