Machine learning 预测数字序列的Keras模型

我试图训练Keras LSTM模型来预测序列中的下一个数字

下面我的模型有什么问题，当一个模型没有学习时我如何调试

如何决定使用哪种图层类型

在编译时，我应该根据什么选择loss和optimizer参数

我输入的训练数据的形状（16000，10）如下所示

[
    [14955 14956 14957 14958 14959 14960 14961 14962 14963 14964]
    [14731 14732 14733 14734 14735 14736 14737 14738 14739 14740]
    [35821 35822 35823 35824 35825 35826 35827 35828 35829 35830]
    [12379 12380 12381 12382 12383 12384 12385 12386 12387 12388]
    ...
]

[[14965] [14741] [35831] [12389] ...]

相应的输出训练数据的形状（16000，1）如下所示

[
    [14955 14956 14957 14958 14959 14960 14961 14962 14963 14964]
    [14731 14732 14733 14734 14735 14736 14737 14738 14739 14740]
    [35821 35822 35823 35824 35825 35826 35827 35828 35829 35830]
    [12379 12380 12381 12382 12383 12384 12385 12386 12387 12388]
    ...
]

[[14965] [14741] [35831] [12389] ...]

正如LSTM抱怨的那样，我重塑了培训/测试数据

X_train = X_train.reshape(X_train.shape[0], X_train.shape[1], 1)
X_test = X_test.reshape(X_test.shape[0], X_test.shape[1], 1)

这是最终的培训/测试数据形状

Total Samples: 20000
X_train: (16000, 10, 1)
y_train: (16000, 1)
X_test: (4000, 10, 1)
y_test: (4000, 1)

这是我的模型

# Model configuration
epochs = 2
batch_size = 32
hidden_neurons = 100
output_size = 1

# Create the model
model = Sequential()
model.add(LSTM(hidden_neurons, input_shape=(X_train.shape[1], X_train.shape[2])))
model.add(Dense(output_size))
model.compile(loss='mean_squared_error', optimizer='rmsprop', metrics=['accuracy'])
print(model.summary())
model.fit(X_train, y_train, epochs=epochs, batch_size=batch_size)

scores = model.evaluate(X_test, y_test, batch_size=batch_size, verbose=0)
print("Model Accuracy: %.2f%%" % (scores[1]*100))

这是我的输出

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
lstm_3 (LSTM)                (None, 100)               40800     
_________________________________________________________________
dense_3 (Dense)              (None, 1)                 101       
=================================================================
Total params: 40,901
Trainable params: 40,901
Non-trainable params: 0
_________________________________________________________________
None
Epoch 1/2
16000/16000 [==============================] - 11s - loss: 533418575.3600 - acc: 0.0000e+00    
Epoch 2/2
16000/16000 [==============================] - 10s - loss: 532474289.7280 - acc: 6.2500e-05    
Model Accuracy: 0.00%

请尝试以下代码：

epochs = 30
batch_size = 64
hidden_neurons = 32
output_size = 1

# Create the model
model = Sequential()
model.add(LSTM(hidden_neurons, input_shape=(X_train.shape[1], X_train.shape[2])))
model.add(Dense(output_size, activation = 'elu'))

model.compile(loss='mean_squared_error', optimizer='adam', metrics=['accuracy'])
print(model.summary())
model.fit(X_train, y_train, epochs=epochs, batch_size=batch_size)

scores = model.evaluate(X_test, y_test, batch_size=batch_size, verbose=0)
print("Model Accuracy: %.2f%%" % (scores[1]*100))

一般来说，很难帮助你，因为我们需要一种可重复的例子，我们可以测试。不过，以下是我的建议：

玩你的神经网络的超参数，如：激活功能，选择功能，层数，学习率等

更新：

---

最好先规范化数据。

准确度不是衡量模型性能的正确标准。您在这里尝试做的更多的是一项回归任务，而不是一项分类任务。从损失函数中也可以看出，您使用的是“均方误差”，而不是类似于“分类交叉熵””

此外，50个时代的训练时间太少了。如果你看一下日志（在你最初的问题中），你会发现损失随着时间的推移而减少。在你看到损失已经稳定下来并且没有进一步减少之前，你需要继续进行更多的历次训练

第三，在将数据传递给fit函数之前，必须对数据进行规范化。这些值非常大，如果不进行归一化，算法可能无法收敛

---

如果您仍然需要解决此问题，并且需要更多帮助，请在注释中告诉我，以便我可以帮助您编写代码。

您是否尝试了两个以上的纪元？是的，我尝试了10个纪元，但损失并没有减少多少，准确率保持0这看起来像是一个回归问题，在这种情况下，精确是没有意义的。所以，如何训练和评估没有精确性的回归问题呢。我该怎么看atHello@MatiasValdenegro，谢谢你指出回归的不恰当指标。我在这里阅读了更多关于回归度量的内容。现在我使用mse、mae，结果看起来更真实。谢谢。您好@Paddy，谢谢您的回复，我甚至在您的代码上运行了50个纪元，只获得了0.1%的准确率。你能详细介绍一下数据的标准化，并给出一些关于像我这样的数据集的例子吗。通过将输入/输出数据除以输入数据的最大值，我将所有数据规范化为介于0-1之间。最终的预测似乎很接近，但并不完美。让我知道，如果有任何其他想法，可以帮助改善预测。有很多事情，你可以尝试，与批正常化和辍学斯特拉特。我也会尝试GRU而不是LSTM（只是简单地用GRU替换LSTM）。此外，最好有一个学习率回调检查此链接：