python - 目标结构会影响神经网络性能吗？

Question

我正在构建一个 CNN 来控制视频游戏中的车辆。网络将屏幕截图作为输入，并使用控制器值作为目标。现在我只使用两个控制器值作为目标：-1 和 1 之间的值的转向，以及 0 和 1 之间的油门。我已将转向的值四舍五入为 7 个值，油门为4 个值给了我 28 个不同的类，我将平衡它们（舍入的原因是难以平衡未分类的类）。

我的问题是我是否应该使用单个值目标 1-27（每种情况一个）来训练网络，还是应该使用两个圆形控制器值作为目标（一个数组：[转向，油门]）？我知道两者都创建了 28 个目标类，但是目标输出的结构会影响网络的性能吗？这些选项中的一个明显优于另一个吗？

初步测试模型：

'''

model = Sequential()

model.add(Conv2D(24, kernel_size=(5, 5), strides=(2, 2), activation='relu', input_shape= INPUT_SHAPE))
model.add(Conv2D(36, kernel_size=(5, 5), strides=(2, 2), activation='relu'))
model.add(Conv2D(48, kernel_size=(5, 5), strides=(2, 2), activation='relu'))
model.add(Conv2D(64, kernel_size=(3, 3), activation='relu'))
model.add(Conv2D(64, kernel_size=(3, 3), activation='relu'))
model.add(Flatten())
model.add(Dense(1164, activation='relu'))
drop_out = 1 - keep_prob
model.add(Dropout(drop_out))
model.add(Dense(100, activation='relu'))
model.add(Dropout(drop_out))
model.add(Dense(50, activation='relu'))
model.add(Dropout(drop_out))
model.add(Dense(10, activation='relu'))
model.add(Dropout(drop_out))
model.add(Dense(OUT_SHAPE, activation='softsign'))

'''

标签： pythonneural-networkconv-neural-network