Thật không may, câu trả lời được chấp nhận bởi @Sycorax, trong khi chi tiết, là không chính xác.
Trên thực tế, một ví dụ điển hình của hồi quy thông qua entropy chéo phân loại - Wavenet - đã được thực hiện trong TensorFlow .
Nguyên tắc là bạn rời rạc không gian đầu ra và sau đó mô hình của bạn chỉ dự đoán thùng tương ứng; xem Phần 2.2 của bài báo để biết ví dụ trong miền mô hình hóa âm thanh. Vì vậy, trong khi về mặt kỹ thuật, mô hình thực hiện phân loại, nhiệm vụ cuối cùng được giải quyết là hồi quy.
Một nhược điểm rõ ràng là, bạn mất độ phân giải đầu ra. Tuy nhiên, đây có thể không phải là vấn đề (ít nhất tôi nghĩ rằng trợ lý nhân tạo của Google đã nói giọng rất nhân văn ) hoặc bạn có thể chơi xung quanh với một số xử lý hậu kỳ, ví dụ như nội suy giữa thùng có thể xảy ra nhất và đó là hai người hàng xóm.
Mặt khác, cách tiếp cận này làm cho mô hình mạnh hơn nhiều so với đầu ra đơn vị tuyến tính đơn thông thường, nghĩa là cho phép thể hiện dự đoán đa phương thức hoặc để đánh giá độ tin cậy của nó. Lưu ý rằng mặc dù cái sau có thể đạt được một cách tự nhiên bằng các phương tiện khác, ví dụ: bằng cách có đầu ra phương sai (log) rõ ràng như trong Bộ biến đổi tự động biến đổi.
Dù sao, cách tiếp cận này không mở rộng tốt cho đầu ra nhiều chiều hơn, bởi vì sau đó kích thước của lớp đầu ra tăng theo cấp số nhân, làm cho nó trở thành vấn đề tính toán và mô hình hóa ..