Python 如何解决大量的MAE&；MSE？

我已经设计了一个模型，在1002个时间步长中包含11个特性的1163个样本。因为每个时间步长对最终输出的影响很重要，所以我使用了LSTM。我的问题是，即使有不同数量的层、神经元和年代，我的损失也明显很高，这意味着“MSE”和“MAE”。从某种意义上说，我可以说这是不合适的。此外，我已经更改了优化器参数，但问题仍然存在。我使用的模型如下：

from keras.models import Sequential

conv1d = Conv1D(input_shape=(None, 16), kernel_size=2, filters=2)    

model = Sequential()
#model.add(layers.Conv1D(filters=32,kernel_size=3,strides = 1,activation='tanh'))
#model.add(conv1d)    


model.add(layers.LSTM(128,activation='relu' ,input_shape = (1163,10),return_sequences=True))
model.add(layers.Dense(128))
model.add(Dropout(0.2))


model.add(TimeDistributed(Dense(1)))
optimizer= tf.keras.optimizers.Adam(learning_rate=0.0001,epsilon=1e-07)
model.compile(loss='mse',optimizer=optimizer,metrics=['mae','mse'])

---

通过添加卷积层，是否可以减少它们？如果是这样的话，如何为具有一个目标（标签）和10个特征的回归模型添加卷积层？

我将使用SparseCategoric交叉熵损失代替。或者将输出标准化，你的意思是，不使用MSE或MAE，而是使用另一个损耗函数？但问题是，任务是回归。也可以吗？很抱歉，您的输出形状通常是1回归任务，在最后一层使用S形激活和二元交叉熵丢失。但对我来说，关于你的模型的第一件事是，我期望并输入（1002个时间步，11个特征）的形状。然后，人们会用小批量的样本（比如32个样本）来训练模型。@PedroMarques我认为当我有一个1163个样本的列表时，在每个时间步中，所有的样本都应该在一个历元中读取。另一件事，你能给我举个例子来说明如何使用小批量进行培训吗？