Python 为什么神经网络不学习？

我正在用一个简单的数据集训练一个神经网络。我尝试了不同的参数组合、优化器、学习率。。。但即使经历了20个时代，网络仍然没有学到任何东西

我想知道下面代码中的问题在哪里

from tensorflow.keras.models import  Sequential, load_model
from tensorflow.keras.layers import Input, Dense, Flatten
from tensorflow import keras
from livelossplot import PlotLossesKeras
from keras.models import Model
from sklearn.datasets import make_classification
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
import pandas as pd


seed = 42

X, y = make_classification(n_samples=100000, n_features=2, n_redundant=0, 
                           n_informative=2, random_state=seed)

print(f"Number of features: {X.shape[1]}")
print(f"Number of samples: {X.shape[0]}")


df = pd.DataFrame(np.concatenate((X,y.reshape(-1,1)), axis=1))
df.set_axis([*df.columns[:-1], 'Class'], axis=1, inplace=True)

df['Class'] = df['Class'].astype('int')
X = df.drop('Class', axis=1)
y = df['Class']

X_train, X_val, y_train, y_val = train_test_split(X, y, test_size=0.2, random_state=42)

print(f"Train set: {X_train.shape}")
print(f"Validation set: {X_val.shape}")


scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train.astype(np.float64))
X_val_scaled = scaler.transform(X_val.astype(np.float64))

inputs = Input(shape=X_train_scaled.shape[1:])
h0 = Dense(5, activation='relu')(inputs)
h1 = Dense(5, activation='relu')(h0)
preds = Dense(1, activation = 'sigmoid')(h1)

model = Model(inputs=inputs, outputs=preds)
opt = keras.optimizers.Adam(lr=0.0001)
model.compile(optimizer=opt, loss='categorical_crossentropy', metrics=['accuracy'])
history = model.fit(X_train_scaled, y_train, batch_size=128, epochs=20, verbose=0,
                    validation_data=(X_val_scaled, y_val),
                    callbacks=[PlotLossesKeras()]) 

score_train = model.evaluate(X_train_scaled, y_train, verbose=0)
score_test = model.evaluate(X_val_scaled, y_val, verbose=0) 
print('Train score:', score_train[0])
print('Train accuracy:', score_train[1])
print('Test score:', score_test[0])
print('Test accuracy:', score_test[1])

代码生成以下类型的输出

---

您使用了错误的损失函数，请更改此行

model.compile(optimizer=opt, loss='categorical_crossentropy', metrics=['accuracy'])

比如,

model.compile(optimizer=opt, loss='mse', metrics=['accuracy'])

分类交叉熵需要一个热编码的

y

，这意味着每个类都必须有

0

或

1

。MSE只是均方误差，所以它可以工作。但你也可以尝试其他损失

您的

y

：

[1,0,1]

[[0,1], [1,0], [0,1]]

一个热编码的

y

：

[1,0,1]

[[0,1], [1,0], [0,1]]

---

您是否能够提供可复制的代码片段？请参阅，请提供数据samples@User1010你是说堆栈片段吗？在文档中，只讨论HTML、JavaScript或CSS，而不是python。我不知道你的意思是什么…@Marcin函数make_classification from sklearn.dataset用于代码中提供example@PranavHosangadi，我想说，就一个DL问题而言，这没那么糟糕。调试非常简单。另外，在我安装了一些软件包之后，它就开始工作了。谢谢，更改丢失功能可以让网络更好地学习。我不明白的是，目标变量已经是0和1，所以我不明白为什么它没有使用损失函数category_crossentropy。