Python 两个整数相加的神经网络

我想创建一个可以添加两个整数的神经网络。我的设计如下：

问题我的准确率很低，只有0.002%。我能做些什么来增加它

要创建数据，请执行以下操作：

将numpy作为np导入 随机输入 a=[] b=[] c=[]

对于范围（11001）内的i： a、 附加（random.randint（1999）） b、 附加（random.randint（1999）） c、 附加（a[i-1]+b[i-1]）

X=np.array（[a，b]）.transpose（） y=np.array（c.transpose（）.reformate（-1,1）

缩放我的数据：

网络：

产出：

Epoch 133/140
1000/1000 [==============================] - 0s 39us/step - loss: 0.0012 - acc: 0.0020
Epoch 134/140
1000/1000 [==============================] - 0s 40us/step - loss: 0.0012 - acc: 0.0020   
Epoch 135/140
1000/1000 [==============================] - 0s 41us/step - loss: 0.0012 - acc: 0.0020
Epoch 136/140
1000/1000 [==============================] - 0s 40us/step - loss: 0.0012 - acc: 0.0020
Epoch 137/140
1000/1000 [==============================] - 0s 41us/step - loss: 0.0012 - acc: 0.0020
Epoch 138/140
1000/1000 [==============================] - 0s 42us/step - loss: 0.0012 - acc: 0.0020   
Epoch 139/140
1000/1000 [==============================] - 0s 40us/step - loss: 0.0012 - acc: 0.0020   
Epoch 140/140
1000/1000 [==============================] - 0s 42us/step - loss: 0.0012 - acc: 0.0020 

这是我的控制台输出代码

---

我尝试了各种不同的优化器、损失和激活组合，加上这些数据完全符合线性回归。

您试图拟合线性函数，但在内部使用了sigmoid节点，它将值映射到一个范围（0,1）。Sigmoid对于分类非常有用，但如果值在（0,1）之外，则不适用于回归。如果您将随机数限制为区间[0,1]中的浮点数，它可能会起作用。或者将所有位分别输入到节点中，让它学习加法器。

两个错误，几个问题

错误：

• 这是一个回归问题，因此最后一层的激活应该是

  linear

  ，而不是

  relu

  （不指定任何内容就可以了，因为

  linear

  是Keras层中的激活）
• 准确度是；从您的模型编译中删除

  metrics=['acc']

  ——您应该仅凭损失来判断模型的性能

这些问题：

• 对于中间层，我们不使用

  sigmoid

  激活；将它们全部更改为

  relu

• 删除

  kernel\u初始值设定项

  参数，从而保留建议使用的

  glorot\u统一

• 多个密集层，每个层只有两个节点不是一个好主意；尝试减少层的数量并增加节点的数量。有关iris数据的简单示例，请参阅

---

这就是我对数据进行预处理的原因。它将值从0-1转换为（0,1）值，因此在上面的示例中，我的整个数据集都是（0,1）值。这些值以前已经过规范化

sigmoid

实际上从未在实践中用于中间层，但不是因为你在这里暗示的原因。@NanduRaj我必须承认我对神经网络没有太多经验，所以我想我的知识可能有点过时了。根据维基百科2011年以来的数据，在中间层中，relu优先于乙状结肠。这里列出了一些优点。我非常感谢。对我来说，你不仅仅是老师。我删除了weightinit并使用了线性激活减少层，现在我有了准确的预测和非常低的损失，但无论我有好的预测，准确度仍然是0.002。请注意我在回答中所说的：准确度在回归中是没有意义的，你不应该使用它。绩效评估应该完全基于预测的损失和质量。是的！谢谢，我知道了

from keras import Sequential
from keras.layers import Dense
from keras.optimizers import SGD

clfa = Sequential()
clfa.add(Dense(input_dim=2, output_dim=2, activation='sigmoid', kernel_initializer='he_uniform'))
clfa.add(Dense(output_dim=2, activation='sigmoid', kernel_initializer='uniform'))
clfa.add(Dense(output_dim=2, activation='sigmoid', kernel_initializer='uniform'))
clfa.add(Dense(output_dim=2, activation='sigmoid', kernel_initializer='uniform'))
clfa.add(Dense(output_dim=1, activation='relu'))

opt = SGD(lr=0.01)
clfa.compile(opt, loss='mean_squared_error', metrics=['acc'])
clfa.fit(X, y, epochs=140)

Epoch 133/140
1000/1000 [==============================] - 0s 39us/step - loss: 0.0012 - acc: 0.0020
Epoch 134/140
1000/1000 [==============================] - 0s 40us/step - loss: 0.0012 - acc: 0.0020   
Epoch 135/140
1000/1000 [==============================] - 0s 41us/step - loss: 0.0012 - acc: 0.0020
Epoch 136/140
1000/1000 [==============================] - 0s 40us/step - loss: 0.0012 - acc: 0.0020
Epoch 137/140
1000/1000 [==============================] - 0s 41us/step - loss: 0.0012 - acc: 0.0020
Epoch 138/140
1000/1000 [==============================] - 0s 42us/step - loss: 0.0012 - acc: 0.0020   
Epoch 139/140
1000/1000 [==============================] - 0s 40us/step - loss: 0.0012 - acc: 0.0020   
Epoch 140/140
1000/1000 [==============================] - 0s 42us/step - loss: 0.0012 - acc: 0.0020