Python 多变量&；具有深度学习的多目标回归问题

我想设计一个具有多个输入变量（4）和多个输出变量（3）的神经网络模型。不知道在哪里可以改进。 可能的问题：

数据加载程序和数据规范化：

• 我发现我的输入数据有4个3~4位数的值，因此进行了标准化。我不确定我的方法是否正确
• 我也对输入值进行了归一化，虽然输出值也有很多数字，但我想正确预测输出值

模型本身：

• 我正在尝试建立多输入多输出模型 所以我把4个输入变量，得到3个输出变量。 我应该如何改进我的模型？ （感谢您的帮助，但仅使用CNN、RNN、LSTM…并没有真正的帮助。）

损失函数与优化器

• 目前正在使用nn.MSELoss（）loss函数和torch.optim.SGD（model.parameters（），lr=learning_rate）优化器
• 然而，这使得NaN，NaN，NaN输出（可能有些数字太大了？） 并尝试nn.L1Loss（）
• Loss.item值显著降低，但不确定这是否是我想要的值
• 我看不出结果有什么变化（学习过程）

评价指标

• 我似乎无法绘制预测和y，因为它是3d向量 而且也不能做简单的等式比较，因为数字在许多小数点上通常不匹配
• 在这种情况下，我应该如何进行评估

任何额外的提示或帮助都会非常有用。 先谢谢你

#这是一个数据加载器，我使用f.normalize进行了规范化
类加载器（数据集）：
定义初始化（自身，数据）：
self.data=数据
//无规范化过程
//self.features=torch.tensor（data.iloc[：，1:4].值）
//使用规范化过程
self.features=f.normalize（torch.tensor（data.iloc[：，1:5].values），p=2，dim=[-2,1]）
self.targets=torch.tensor（data.iloc[：，5:8].值）
定义uu获取项目uu（自身，索引）：
功能=自身。功能[索引]
目标=自我。目标[索引]
返回特征，目标
定义（自我）：
返回self.data.shape[0]

数据格式：标准化之前

tensor([[3671.4275, 3920.7729, 3562.8547, 3409.9354],
        [2613.0593, 4144.3052, 3963.4261, 2520.0331],
        [3217.1497, 4907.6748, 3618.3077, 1625.5708],
        [3495.5350, 3740.1072, 3372.8023, 3222.0030],
        [2668.3124, 4059.1723, 3856.5733, 2555.0729],
        [3148.7100, 3581.6413, 3238.2163, 2892.8446],
        [3259.0295, 4951.7812, 3691.3874, 1729.6103],
        [2383.1404, 4416.9705, 4282.0778, 2368.6338],
        [3233.4030, 3509.1483, 3131.9635, 2950.0310],
        [2796.2451, 4666.8626, 3963.1061, 2038.5555]], device='cuda:0',
       dtype=torch.float64)
tensor([[  86.8043, -125.5781,  514.8793],
        [ 599.4942,  -25.5526,  869.6853],
        [ 767.3758, -575.2572,  932.4783],
        [  85.4733, -129.7880,  653.4727],
        [ 539.4341,  -38.1205,  870.6907],
        [ 150.6393, -117.4500,  877.1568],
        [ 766.7727, -558.0292,  871.3760],
        [ 806.4800,   11.9661,  873.6658],
        [  98.3526, -130.0950,  883.7505],
        [ 780.5635, -253.1192,  876.8691]], device='cuda:0',
       dtype=torch.float64)

tensor([[0.0063, 0.0069, 0.0061, 0.0058],
        [0.0067, 0.0072, 0.0065, 0.0062],
        [0.0064, 0.0070, 0.0062, 0.0059],
        [0.0056, 0.0092, 0.0077, 0.0039],
        [0.0051, 0.0081, 0.0078, 0.0049],
        [0.0058, 0.0074, 0.0068, 0.0054],
        [0.0054, 0.0078, 0.0073, 0.0051],
        [0.0063, 0.0097, 0.0073, 0.0034],
        [0.0047, 0.0087, 0.0084, 0.0046],
        [0.0058, 0.0093, 0.0076, 0.0038]], device='cuda:0',
       dtype=torch.float64)
tensor([[  98.2855, -130.0667,  883.9658],
        [  86.6183, -130.0066,  716.1242],
        [  93.5488, -130.8305,  837.4871],
        [ 778.3415, -295.5290,  876.0615],
        [ 598.6805,  -25.7674,  869.6824],
        [ 322.8932,  -82.1197,  873.7214],
        [ 473.1678,  -51.6608,  871.5651],
        [ 768.4887, -535.2723,  871.2855],
        [ 806.6830,    6.9960,  877.1038],
        [ 775.0177, -365.2128,  875.5223]], device='cuda:0',
       dtype=torch.float64)

数据格式：标准化后

tensor([[3671.4275, 3920.7729, 3562.8547, 3409.9354],
        [2613.0593, 4144.3052, 3963.4261, 2520.0331],
        [3217.1497, 4907.6748, 3618.3077, 1625.5708],
        [3495.5350, 3740.1072, 3372.8023, 3222.0030],
        [2668.3124, 4059.1723, 3856.5733, 2555.0729],
        [3148.7100, 3581.6413, 3238.2163, 2892.8446],
        [3259.0295, 4951.7812, 3691.3874, 1729.6103],
        [2383.1404, 4416.9705, 4282.0778, 2368.6338],
        [3233.4030, 3509.1483, 3131.9635, 2950.0310],
        [2796.2451, 4666.8626, 3963.1061, 2038.5555]], device='cuda:0',
       dtype=torch.float64)
tensor([[  86.8043, -125.5781,  514.8793],
        [ 599.4942,  -25.5526,  869.6853],
        [ 767.3758, -575.2572,  932.4783],
        [  85.4733, -129.7880,  653.4727],
        [ 539.4341,  -38.1205,  870.6907],
        [ 150.6393, -117.4500,  877.1568],
        [ 766.7727, -558.0292,  871.3760],
        [ 806.4800,   11.9661,  873.6658],
        [  98.3526, -130.0950,  883.7505],
        [ 780.5635, -253.1192,  876.8691]], device='cuda:0',
       dtype=torch.float64)

tensor([[0.0063, 0.0069, 0.0061, 0.0058],
        [0.0067, 0.0072, 0.0065, 0.0062],
        [0.0064, 0.0070, 0.0062, 0.0059],
        [0.0056, 0.0092, 0.0077, 0.0039],
        [0.0051, 0.0081, 0.0078, 0.0049],
        [0.0058, 0.0074, 0.0068, 0.0054],
        [0.0054, 0.0078, 0.0073, 0.0051],
        [0.0063, 0.0097, 0.0073, 0.0034],
        [0.0047, 0.0087, 0.0084, 0.0046],
        [0.0058, 0.0093, 0.0076, 0.0038]], device='cuda:0',
       dtype=torch.float64)
tensor([[  98.2855, -130.0667,  883.9658],
        [  86.6183, -130.0066,  716.1242],
        [  93.5488, -130.8305,  837.4871],
        [ 778.3415, -295.5290,  876.0615],
        [ 598.6805,  -25.7674,  869.6824],
        [ 322.8932,  -82.1197,  873.7214],
        [ 473.1678,  -51.6608,  871.5651],
        [ 768.4887, -535.2723,  871.2855],
        [ 806.6830,    6.9960,  877.1038],
        [ 775.0177, -365.2128,  875.5223]], device='cuda:0',
       dtype=torch.float64)

---

从那以后有什么改进吗？

# Result
Epoch [1/100], Step [1000/5500], Loss: 320.4197
Epoch [1/100], Step [2000/5500], Loss: 262.3183
Epoch [1/100], Step [3000/5500], Loss: 220.1559
Epoch [1/100], Step [4000/5500], Loss: 236.1293
Epoch [1/100], Step [5000/5500], Loss: 34.1634
Epoch [2/100], Step [1000/5500], Loss: 440.7753
Epoch [2/100], Step [2000/5500], Loss: 494.4890
Epoch [2/100], Step [3000/5500], Loss: 224.8119
Epoch [2/100], Step [4000/5500], Loss: 145.8345
Epoch [2/100], Step [5000/5500], Loss: 97.7785