深度学习可以回归吗

深度学习是当前最火热的人工智能技术之一，它在图像识别、自然语言处理等领域都取得了重要的进展。不过在某些应用场景下，我们需要的是回归问题而非分类问题。那么，深度学习可以用来解决回归问题吗？本文将对此进行探讨，并给出代码示例。

一、什么是回归问题

回归问题对于任何从事机器学习的人来说都是一种常见的问题。所谓回归问题，就是给定一些输入数据，希望预测出一个连续的输出值。比如，在房价预测问题中，我们需要给定一些房屋的特征，比如面积、位置、建筑年代等等，然后根据这些特征预测出房屋的价格。这个价格是一个连续的值，而非分类标签。

二、深度学习可不可以用于回归问题

深度学习中经典的网络结构是卷积神经网络（CNN）和循环神经网络（RNN），它们主要用于图像处理、语音识别、自然语言处理等领域，解决的是分类问题，输出的是一个概率分布，例如图像分类中的狗、猫、车等等。那么，这类神经网络能不能用于回归问题呢？

答案是肯定的。在深度学习中，我们可以使用全连接层或者是叫做“密集连接层”的层来实现回归任务。全连接层可以将输入的多维特征映射到一个一维的向量，然后再进一步映射到最终的输出值。下面我们来看一个例子。

三、一个回归的例子

我们这里以Keras框架为例，使用全连接神经网络来实现一个回归任务。这个任务是一个非常经典的例子，叫做“波士顿房价预测”任务。任务的目标是根据13个特