学习随机多维函数（回归）的Keras

我用Keras来学习随机函数的曲面。基本上，我是采样一堆点作为训练数据。我正在使用以下代码生成网络

def create_model(optimizer='adam'):
    model = Sequential()
    units = 100
    dim= 6
    dropout= 1
    ## making the model graph, Stacking layers is done by .add():
    model.add(Dense(units=units, input_dim=dim, activation='sigmoid'))
    model.add(Dropout(dropout))

    model.add(Dense(units=units, activation='sigmoid'))
    model.add(Dropout(dropout))

    model.add(Dense(units=units, activation="sigmoid"))
    model.add(Dropout(dropout))
    model.add(Dense(units=1, activation = 'linear'))

    # optmiser = keras.optimizers.RMSprop(lr=0.001, rho=0.9, epsilon=1e-08, decay=0.0)
    # optmiser = keras.optimizers.Adam(lr=0.001, beta_1=0.9, beta_2=0.999, epsilon=1e-08, decay=0.0)

    # configure the model's learning process; loss and optimisation etc
    model.compile(loss='mse',
                  optimizer=optimizer, metrics=["accuracy"])

    return model

我在培训期间收到以下日志

451/667 [===================>..........] - ETA: 0s - loss: nan - acc: 0.0000e+00

我认为我在创建网络或选择不同的参数时犯了错误。感谢您的帮助。

---

谢谢，

要删除的

输入表示要删除的输入单位的分数（请参阅）。因此，通过这样做

model.add(Dropout(dropout))

使用
dropout=1
，您基本上可以扔掉所有单元。你需要选择
辍学
严格小于1。
p=1的辍学意味着网络什么也学不到。是的，这是个问题。谢谢。谢谢你的快速回复。这就解决了问题。我还发现我使用的是
metrics=[“accurity”]
，这在本例中是错误的，因为这是一项回归任务。