Python val损失不减少

我在Windows10上使用Keras2.07、Python 3.5、Tensorflow 1.3.0

我正在测试使用全连接网络进行视频编码的纸张帧内预测中使用的架构

我希望将其用于我自己的数据

我使用了我认为会很快收敛的测试数据

我在模型中使用的学习率是0.1。 那么我的val损失不会减少

有人可以查看或尝试此代码吗？我是假设错误、编码错误还是不耐烦？ 谢谢

def多输入模型（）：
input1=输入（形状=（4,20,1），名称='input1'）
input2_u2;=输入（shape=（16,4,1），name='input2'）
x1=展平（）
x2=展平（）
x=连接（）（[x1，x2]）
对于范围（3）中的i：
#x=辍学率（0.3）（x）
x=密度（1024，
内核初始化器=RandomNormal（STDEV=std），
使用_bias=True，
偏差\初始值设定项='零'，
激活class='relu'
)（十）
#x=辍学率（0.3）（x）
x=密度（64，
内核初始化器=RandomNormal（STDEV=std），
使用_bias=True，
偏差\初始值设定项='零'，
)（十）
输出=重塑（（8,8,1），name='output'）（x）
模型=模型（输入=[input1，input2]，输出=[output]）
model.summary（）
回归模型
sgd=sgd（lr=0.1，动量=0.9）
模型=多输入模型（）
编译（优化器=sgd，
损失=‘均方误差’，
指标=[mse]
)

模型摘要：

使用TensorFlow后端。
__________________________________________________________________________________________________
层（类型）输出形状参数#连接到
==================================================================================================
输入1（输入层）（无、4、20、1）0
__________________________________________________________________________________________________
输入2（输入层）（无、16、4、1）0
__________________________________________________________________________________________________
展平_1（展平）（无，80）0输入1[0][0]
__________________________________________________________________________________________________
展平_2（展平）（无，64）0输入2[0][0]
__________________________________________________________________________________________________
连接_1（连接）（无，144）0展平_1[0][0]
展平_2[0][0]
__________________________________________________________________________________________________
密集_1（密集）（无，1024）148480串联_1[0][0]
__________________________________________________________________________________________________
稠密_2（稠密）（无，1024）1049600稠密_1[0][0]
__________________________________________________________________________________________________
稠密_3（稠密）（无，1024）1049600稠密_2[0][0]
__________________________________________________________________________________________________
密四（密四）（无，64）65600密三[0][0]
__________________________________________________________________________________________________
输出（重塑）（无、8、8、1）0密度_4[0][0]
==================================================================================================
总参数：2313280
可培训参数：2313280
不可训练参数：0
__________________________________________________________________________________________________

训练回溯

对985373个样本进行训练，对246344个样本进行验证
纪元1/100
985373/985373[=============================================-7s 7us/阶跃-损耗：0.0054-mse:353.9386-val_损耗：0.0087-val_mse:566.5364
Lr:0.08
纪元2/100
985373/985373[=============================================-6s 6us/步长-损耗：0.0044-mse:288.5897-val_损耗：0.0082-val_mse:534.4153
Lr:0.08
纪元3/100
985373/985373[=============================================-6s 6us/阶跃-损耗：0.0042-mse:270.7345-val_损耗：0.0080-val_mse:517.2601
Lr:0.08
纪元4/100
985373/985373[=============================================-6s 6us/步长-损耗：0.0040-mse:259.6213-val_损耗：0.0078-val_mse:504.8340
Lr:0.08
纪元5/100
985373/985373[=============================================-6s 6us/阶跃-损耗：0.0039-mse:251.3669-val_损耗：0.0076-val_mse:495.0704
Lr:0.08
纪元6/100
985373/985373[==========================================-6s 6us/阶跃-损耗：0.0038-mse:244.7449-val_损耗：0.0075-val_mse:486.6413
Lr:0.08
纪元7/100
985373/985373[==========================================-6s 6us/阶跃-损耗：0.0037-mse:239.2320-val_损耗：0.0074-val_mse:480.2631
Lr:0.08
纪元8/100
985373/985373[=============================================-6s 6us/阶跃-损耗：0.0036-mse:234.5702-val_损耗：0.0073-val_mse:473.3974
Lr:0.08
纪元9/100
985373/985373[================================================-6s 6us/步长-损耗：0.0035-mse:230.5504-val_损耗：0.0072-val_mse:468.4981
Lr:0.08
纪元10/100
985373/985373[================================================-6s 6us/阶跃-损耗：0.0035-mse:227.0740-val_损耗：0.0071-val_mse:463.1125
Lr:0.08
纪元11/100
985373/985373[=============================================-6s 6us/步长-损耗：0.0034-mse:224.0050-val_损耗：0.0071-val_mse:459.0103
Lr:0.08
纪元12/100
985373/985373[==============================]-6s 6us/步-损耗：0.0