深度学习如何限制网络输出值的范围？

初始化不对吧，你的期望输出是0-1，一开始应该不会学到很大数值才对

我用的就是VGG那种结构，只是改变了最后的输出向量的个数，权重用的kaiming初始化，偏置设为0 【 在 jiaoao 的大作中提到: 】 : 初始化不对吧，你的期望输出是0-1，一开始应该不会学到很大数值才对 : -- : ............

有的时候不是上来就崩，而是训了一段时间崩了 【 在 jiaoao 的大作中提到: 】 : 初始化不对吧，你的期望输出是0-1，一开始应该不会学到很大数值才对 : -- : ............

Loss决定你回传的gradient。怎么感觉你这个只有正样本没有负样本呢，网络认为应该闭眼输出1.。。。。。。。。。。。。 【 在 lht1996 的大作中提到: 】 : 我设计的一个神经网络，希望输出值是3个[0,1]区间的数，因此尝试过在最后一层卷积或者全链接层后加一个sigmoid或者tanh激活函数，但是由于网络可能原本输出值很大，导致激活函数输出值为1，此时的梯度还为0，就导致回传整个梯度都是0，有没有什么可以限制输出的方法，谢谢。

样本没问题？ 加bn

【 在 lht1996 的大作中提到: 】 : 有的时候不是上来就崩，而是训了一段时间崩了 这个可能是需要限制梯度，gradient clipping。限制输出可以直接x.clamp(0, 1)这样。