Python 缺少天气预报输出数据的ConvNet

我正在使用ConvNets建立一个模型来做天气预报。我的输入数据是一个96x144矩阵（代表一个地理区域）的10K样本，在固定高度的网格的每个点上具有可变Z（位势高度）的值。如果我包括3个不同的高度（Z在不同高度中非常不同），那么我有这个输入形状：（num_samples，96144,3）。样本为每小时一次，一个样本=一小时。我有近两年的数据。输入数据（Z）表示该小时的大气状态

这可以被认为是一个具有3个通道的图像，但不是0-256范围内的像素值，而是更大范围内的Z值（最后一个通道的高度范围为7500到9500，第一个通道的高度范围为500到1500）

我想预测降水量（会不会下雨？就这样，双星，是或否）

在那个网格中，我的国家的那个空间区域，我只有特定（x，y）点的输出数据（整个区域只有122个气象站有降雨数据）。只有122（x，y）个点的值是1（那个小时下雨了）或0（没下雨）

因此，我的输出矩阵是一个（num_samples，122）向量，如果样本（那个小时）下雨，它在站点索引中包含1，如果没有下雨，则包含0

所以我混合使用了VGG16模型和这个模型，这是我在一篇论文中发现的用于这个特定应用程序的模型

我想知道我是否以正确的方式构建模型，我只是更改了输入层以匹配我的形状，更改了FC层的最后一层以匹配我的类（122，因为对于特定的输入样本，我希望有一个1x122向量，其值为0或1，这取决于该站点是否下雨，对吗？）。由于概率不是相互排斥的（如果在多个站点下雨，我可以有很多个1），我在最后一层使用了“S形”激活

我不知道在编译中使用哪种度量，acc、mae和分类acc在所有历元中都保持不变（在第二个历元中，acc和val_acc略有增加，但在第二个历元之后，每个历元的acc和val_acc都保持不变）

而且，在输出矩阵中有空值（站点没有数据的小时数），我只是用-1值填充NAN（就像“我不知道”标签）。这可能是因为什么都不管用

谢谢你的帮助，很抱歉解释得太多了

def get_vgg16():
model = Sequential()

# Conv Block 1
model.add(BatchNormalization(axis=3, input_shape=(96,144,3)))
model.add(Conv2D(64, (3, 3), activation='relu', padding='same'))
model.add(BatchNormalization(axis=3))
model.add(Conv2D(64, (3, 3), activation='relu', padding='same'))
model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2)))

# Conv Block 2
model.add(BatchNormalization(axis=3))
model.add(Conv2D(128, (3, 3), activation='relu', padding='same'))
model.add(BatchNormalization(axis=3))
model.add(Conv2D(128, (3, 3), activation='relu', padding='same'))
model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2)))

# Conv Block 3
model.add(BatchNormalization(axis=3))
model.add(Conv2D(256, (3, 3), activation='relu', padding='same'))
model.add(BatchNormalization(axis=3))
model.add(Conv2D(256, (3, 3), activation='relu', padding='same'))
model.add(BatchNormalization(axis=3))
model.add(Conv2D(256, (3, 3), activation='relu', padding='same'))
model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2)))

# Conv Block 4
model.add(BatchNormalization(axis=3))
model.add(Conv2D(512, (3, 3), activation='relu', padding='same'))
model.add(BatchNormalization(axis=3))
model.add(Conv2D(512, (3, 3), activation='relu', padding='same'))
model.add(BatchNormalization(axis=3))
model.add(Conv2D(512, (3, 3), activation='relu', padding='same'))
model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2)))

# Conv Block 5
model.add(BatchNormalization(axis=3))
model.add(Conv2D(512, (3, 3), activation='relu', padding='same'))
model.add(BatchNormalization(axis=3))
model.add(Conv2D(512, (3, 3), activation='relu', padding='same'))
model.add(BatchNormalization(axis=3))
model.add(Conv2D(512, (3, 3), activation='relu', padding='same'))
model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2)))

# FC layers
model.add(Flatten())
model.add(Dense(4096, activation='relu'))
model.add(Dense(4096, activation='relu'))
model.add(Dense(122, activation='sigmoid'))

#adam = Adam(lr=0.001)
sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss='binary_crossentropy', optimizer=sgd, metrics=[metrics.categorical_accuracy,metrics.binary_accuracy, 'acc'])
print(model.summary())

return model

---

为了改进模型，需要考虑各种各样的问题：

你选择的损失

你可以在这里做各种各样的事情。使用L2损失（平方距离最小化）是一种选择，其中每个站点的目标为无雨（0）或无雨（1）。另一个（更准确的）选择是将每个输出视为在该站下雨的概率。然后，您将为每个输出值应用二进制损失

二元交叉熵就是应用于两类分类问题的正则交叉熵。请注意，当只有两种可能的结果时，P（y）=1-P（x）。因此，你不需要添加任何额外的神经元

掩盖损失

不要将缺少的目标设置为-1。这没有意义，只会给训练带来噪音。假设您正在使用L2丢失。如果您的网络预测该值的降雨，则意味着（1-（-1））^2=4，预测误差非常大。相反，您希望网络忽略这些情况

你可以通过掩盖损失来做到这一点。假设您进行Y=（num_samples，122）预测，并有一个形状相同的目标矩阵T。您可以定义一个大小相同的二进制掩码M，其中1代表您知道的值，0位于缺失的值位置。那么，你的损失将是L=M*loss（Y，T）。对于缺少的值，损失将始终为0，没有梯度：从中不会学到任何东西

将输入标准化

输入始终是良好的实践。这样可以避免某些功能比其他功能更具相关性，从而加快训练速度。在输入量非常大的情况下，它也有助于稳定训练，防止梯度爆炸

---

在您的例子中，您有三个通道，每个通道遵循不同的分布（它具有不同的最小值和最大值）。在计算MI+MAX/MIDE+STDV值时，需要分别为每个通道（高度）考虑所有样本的数据，然后应用这两个值来规范/标准化所有样本上的相应信道。也就是说，给定一个大小为（N，96144,3）的张量，分别规范化/标准化每个大小为（N，96144,1）的子张量。你需要对测试数据应用相同的变换，所以保存缩放值。稍后，

< P>为了改进模型，有很多事情要考虑：

你选择的损失

你可以在这里做各种各样的事情。使用L2损失（平方距离最小化）是一种选择，其中每个站点的目标为无雨（0）或无雨（1）。另一个（更准确的）选择是将每个输出视为在该站下雨的概率。然后，您将为每个输出值应用二进制损失

二元交叉熵就是应用于两类分类问题的正则交叉熵。请注意，当只有两种可能的结果时，P（y）=1-P（x）。因此，你不需要添加任何额外的神经元

掩盖损失

不要将缺少的目标设置为-1。这没有意义，只会给训练带来噪音。假设您正在使用L2丢失。如果您的网络预测该值的降雨，则意味着（1-（-1））^2=4，预测误差非常大。相反，您希望网络忽略这些情况

你可以通过掩盖损失来做到这一点。假设你做Y=（num_sam