Ne yazık ki, @Sycorax tarafından şu anda kabul edilen cevap, ayrıntılı olsa da yanlıştır.
Aslında, kategorik çapraz entropi yoluyla regresyon bir örnektir - Wavenet - olmuştur uygulanan TensorFlow içinde .
İlke, çıktı alanınızı ayrıştırmanız ve ardından modelinizin yalnızca ilgili bölmeyi tahmin etmesidir; Kısmına 2.2'ye bakınız kağıt ses modelleme alanında bir örnek. Bu nedenle, teknik olarak model sınıflandırma yaparken, çözülen nihai görev gerilemedir.
Açık bir dezavantajı, çıkış çözünürlüğünü kaybetmenizdir. Ancak, bu bir sorun olmayabilir (en azından Google'ın yapay asistanının çok insani bir sesle konuştuğunu düşünüyorum ) veya bazı post-processing ile oynayabilirsiniz, örneğin en olası çöp kutusu ve iki komşu arasında enterpolasyon.
Öte yandan, bu yaklaşım modeli olağan tek doğrusal birim çıktıya göre çok daha güçlü kılar, yani çok modlu tahminleri ifade etmeyi veya güvenini değerlendirmeyi sağlar. İkincisinin doğal olarak başka yollarla, örneğin Varyasyonel Otomatik Enkoderlerde olduğu gibi açık (log) bir varyans çıkışına sahip olarak elde edilebileceğini unutmayın.
Her neyse, bu yaklaşım daha boyutlu çıktıya iyi ölçeklenmez, çünkü o zaman çıktı katmanının boyutu katlanarak büyür ve hem hesaplama hem de modelleme sorunu haline gelir.