Python 深度学习-保持较低的准确性

我是Python新手（虽然不熟悉编程——我通常用JavaScript编程），我对AI开发非常感兴趣。
最近，我一直在尝试通过以下方式开发一种深度学习算法

我的目标是根据包含一个大列表的CSV文件预测一组7个数字，每行也有7个数字。名单的顺序很重要

我最终得到了以下代码：

从keras.models导入
从keras.layers导入稠密
从sklearn.model\u选择导入列车\u测试\u拆分
从numpy导入loadtxt，随机
随机。种子（种子）
dataset=loadtxt（“data/Lotto.csv”，delimiter=“，”，skiprows=1）
X=数据集[：，0:7]
Y=数据集[：，6]
（X_序列，X_测试，Y_序列，Y_测试）=序列测试分割（X，Y，测试大小=0.33，随机状态=4）
模型=顺序（）
添加（密集型（8，输入尺寸=7，内核初始化器=uniform，激活=relu”））
添加（稠密（6，kernel_initializer=“uniform”，activation=“relu”））
添加（稠密（1，kernel_initializer=“uniform”，activation=“sigmoid”））
编译（loss=“binary\u crossentropy”，optimizer=“adam”，metrics=[“accurity”]）
模型拟合（X_序列，Y_序列，验证数据=（X_检验，Y_检验），历元=100，批量大小=5，随机数=False）
分数=模型评估（X_测试、Y_测试）
打印（“精度：%.2f%%”%（分数[1]*100））

在Google Colaboratory中运行之后，虽然我没有得到任何错误，但我注意到，对于每个历元，丢失结果都没有改变，因此，我的准确率一直很低（~6%）

---

我做错了什么？

尝试将优化器更改为

RMSprop

，学习率约为0.0001。 RMSprop通常比大多数优化器更好，并且比其他优化器提供更好的精度和更少的损失。您也可以尝试SGD，它也是一个很好的优化器。 同时增加参数的数量，因为更多的可训练参数会使模型得到更精确的训练，并给出更精确的预测。 您可以将代码更新为tensorflow 2.x，并将代码更改为：

from tensorflow.keras import Sequential
from tensorflow.keras.layers import Dense
from sklearn.model_selection import train_test_split
from numpy import loadtxt, random

#Rest of the code
....... 
.......
.......

model = Sequential()
model.add(Dense(64, input_shape=(7,), activation='relu', kernel_initializer='uniform'))
model.add(Dense(64, kernel_initializer="uniform", activation="relu"))
model.add(Dense(1, kernel_initializer="uniform", activation="sigmoid"))

model.compile(loss="binary_crossentropy", optimizer=tf.keras.optimizers.RMSprop(learning_rate=0.0001), metrics=["accuracy"])

model.fit(X_train, Y_train, validation_data=(X_test, Y_test), epochs=100, batch_size=5, shuffle=False)
scores = model.evaluate(X_test, Y_test)
print("Accuracy: %.2f%%" %(scores[1] * 100))

---

如果我错了，请纠正我，但从外观上看，您的输入是一个由7个数字组成的列表，您希望输出该列表中的第7个数字。现在，通过在最后一层中使用sigmoid激活，您将模型输出限制为间隔（0,1）。您确定您的数据在此时间间隔内吗

---

而且，您的模型对于该任务来说非常复杂。你真的只需要一个没有激活或偏差的致密层就可以做到这一点。

可能性是无穷的，从你有多少个数据点开始，甚至从是否有一个模式开始。这里没有银弹。作为一个建议，首先尝试一个更简单的模型，不要跳转到神经网络。你需要先培养很多背景知识，然后尝试不同的东西。不管你是否意识到，你提出的问题坦率地说非常广泛，很难回答。为了保持简单，如果你正在学习，现在不要使用你自己的数据集（我假设你正在这样做）。从一些示例数据集开始，这样在学习诀窍的同时就可以消除“数据问题”。我将尝试从遵循特定数据集的教程中学习。谢谢你的指导！你有多少手写数字？我从某个网站下载了一个CSV文件。我想用深度学习模型来分析和预测下一步会发生什么。我实际上不知道代码的其余部分应该是什么。在我的帖子中，我只是简单地遵循了一个教程，而不知道我在做什么。我对人工智能这个话题很好奇，但我从来没有在发帖之前编写过一个，直到现在，它只是理论上的。

#代码的其余部分应该是什么？我应该保持我的代码不变吗？“代码的其余部分”是随机的。在上面的代码中，直到train\u test\u分割部分，没有什么不同。试着这样编码，你的代码的整体准确度可能会增加近10-15%。问题是，我不太确定Y轴上需要什么。X轴应该包含数字集，对吗？但是Y轴应该包含什么？通常，x是所有数字列，Y是结果。我的目标是能够根据一个大列表预测一组7个数字，其中每个条目都是一组7个数字。每次输入都应该是接下来的7个数字。我不知道如何做到这一点。我上面的代码取自链接文章教程。这不是你在这里要做的。但如果我理解正确，你想根据X[I]预测X[I+1]会是什么？你有什么样的数据，因为从你的代码来看，你使用的是彩票数据，而这些数据可能没有你想要的那种相关性。最重要的是，train_test_split在默认情况下会进行洗牌。正确，我正在使用我说过的，这是我第一次尝试理解如何编写人工智能。到目前为止，一切都只是理论上的——所以这对meWell来说是一个深潜，除非彩票使用一种非常愚蠢的方式来抽奖，否则你真的不能指望从你的模型中得到比随机性更好的结果。然而，在你发布的代码中，准确率低的原因可能是乙状结肠（但是你没有训练从X[i]预测X[i+1]，而是从X[i，0:7]预测X[i，6]）。不过别担心，你会成功的。有很多很好的教程可以帮助你。