দুর্ভাগ্যক্রমে, এখন পর্যন্ত @ সাইকোরাক্সের গৃহীত উত্তরগুলি বিশদভাবে জানা থাকলেও এটি ভুল।
আসলে, শ্রেণীগত ক্রস এনট্রপি মাধ্যমে রিগ্রেশন একটি প্রধান উদাহরণ - Wavenet - হয়েছে বাস্তবায়িত TensorFlow মধ্যে ।
নীতিটি হ'ল আপনি নিজের আউটপুট স্পেসকে আলাদা করে দেখেন এবং তারপরে আপনার মডেলটি কেবলমাত্র সম্পর্কিত বাক্সটির পূর্বাভাস দেয়; সাউন্ড মডেলিং ডোমেনের উদাহরণের জন্য কাগজের বিভাগ 2.2 দেখুন । সুতরাং প্রযুক্তিগতভাবে মডেলটি শ্রেণিবদ্ধকরণ সম্পাদন করার সময়, শেষ করা সমাধানটি হ'ল রিগ্রেশন।
একটি স্পষ্টত নেতিবাচকতা হ'ল, আপনি আউটপুট রেজুলেশন হারাবেন। তবে, এটি কোনও সমস্যা নাও হতে পারে (কমপক্ষে আমি মনে করি যে গুগলের কৃত্রিম সহকারী খুব মানবিক কণ্ঠে কথা বলেছেন ) বা আপনি কিছু পোস্ট-প্রসেসিং দিয়ে খেলতে পারেন, উদাহরণস্বরূপ সবচেয়ে সম্ভাব্য বিনের মধ্যে ইন্টারপোলটিং এবং এটি দুটি প্রতিবেশী।
অন্যদিকে, এই পদ্ধতিটি সাধারণ একক-লিনিয়ার-ইউনিট আউটপুটটির তুলনায় মডেলটিকে আরও বেশি শক্তিশালী করে তোলে, অর্থাত্ মাল্টি-মডেল পূর্বাভাসগুলি প্রকাশ করতে বা এর আত্মবিশ্বাসটি মূল্যায়ন করতে দেয়। যদিও দ্রষ্টব্য প্রাকৃতিকভাবে অন্য উপায়ে অর্জন করা যেতে পারে, যেমন ভেরিয়েশনাল অটোরকোডারগুলির মতো একটি স্পষ্ট (লগ) ভেরিয়েন্স আউটপুট থাকার মাধ্যমে।
যাইহোক, এই পদ্ধতিটি আরও মাত্রিক আউটপুটকে ভাল স্কেল করে না, কারণ এরপরে আউটপুট স্তরের আকার তাত্পর্যপূর্ণভাবে বৃদ্ধি পায়, এটি উভয়ই গণনামূলক এবং মডেলিংয়ের ইস্যু করে তোলে ..