我有一个网络可以生成一个数字。我事先知道：损失函数的一个性质是，当时，损失具有相同的值；当时，损失有另一个值；等等。损失函数类似于分段函数。$T$$T \in [a_1, a_2]$$L_1$$T \in [a_2, a_3]$$L_2$

这个问题的一个具体的、简化的例子可能类似于对象分类。我有一组对象，以及它们与我想将这些对象分类距离是。不失一般性假设。我想为这些对象学习一个阈值，如果距离足够近，那么它们属于类别；否则，它们不是该类别的成员。例如，如果，则对象和（距离$C$$[d_1, d_2, \dots, d_K]$$d_1 \leq d_2 \leq \dots \leq d_K$$T$$C$$d_3 \leq T \leq d_4$$1, 2$$3$$d_1, d_2, d_3$) 属于。$C$

我可以使用哪些学习技术来学习网络的权重？任何帮助将不胜感激。

接下来，我将把上述网络与其他可微分学习组件结合起来，所以理想情况下，如果该方法与梯度下降兼容会很好。