Правильные метрики и потери для усреднения вероятностей меток по RNN

Question

Я пытаюсь воспроизвести это в Керасе:

LRCN обучен прогнозировать класс активности видео на каждом временном шаге.Чтобы получить прогнозирование по одной метке для всего видеоклипа, мы усредняем вероятности меток - выходы уровня softmax сети - по всем кадрам и выбираем наиболее вероятную метку.

Но я новичокв LSTM, и я не уверен, какие метрики и функцию потерь использовать для воспроизведения метода, примененного в тексте выше.До сих пор у меня есть LSTM RNN, который возвращает последовательности и их выходные данные, которые я передаю в плотно распределенный по времени слой из 3 классов.

«Кадр» соответствует временному шагу RNN, и return_sequences=True включитмне вернуть прогноз на кадр.

Не могли бы вы сказать мне, какие метрики и потери мне нужны, и если мне нужны также пользовательские?

Answer 1

Не могли бы вы сказать, какие метрики и потери мне нужны, а также, если мне нужны нестандартные?

Из бумаги документ вы можете увидеть работуold: May 2016.

Пожалуйста, рассмотрите некоторые недавние работы с более подробной информацией.

В этом документе не дается подсказок о специфике LSTM, за исключением переменного количества используемых единиц, поэтому вы можете попытаться найти модели с объясненными метриками.