Python 卷积网络对输入数据变化不敏感

我有一个用于预测时间序列数据的一维卷积网络。 它有11层，因为它基本上设计成一个自动编码器，中间有一个瓶颈。 我的标准化输入来自[-3，3]正态分布，它输出从0到1的时间序列数据

在训练并达到预期的预测性能后，我尝试将随机噪声（-0.1,0.1）作为输入，并观察到我的网络具有良好的预测性能。此外，我创建了一个全零的输入（形状类似于我的原始输入），并运行它认为NN模型-它再次预测了一些合理的东西，即使它有全零作为输入

我的第一个问题是：网络如何可能对输入数据的可变性没有太大反应

编辑：

解码器部分

---

这将是很好的，有一个源代码看，以更好地理解这个问题。嗨！刚刚添加了解码器部分，请记住编码器是解码器的镜像结构。非常感谢。1） 为什么要使用

\uu

作为名称变量？这令人困惑。2） 定义合理的预测。你这是什么意思。3） 解释[-3，3]正态分布。这是否意味着西格玛是3？也许你尝试的输入毕竟是合法的输入？谢谢回复！1） 使用“u”只是随意的，我可以使用“x”或“z”，这不会影响我的输出，也不会改变我的问题。2） 合理的预测是，我可以将我的时间序列数据与RMSE小于0.5的数据进行匹配。3） 是的，它是正态分布，平均值=0，sigmas为-3和3。你能详细说明你所说的“合法输入”是什么意思吗？

encoded_d = Dense(10*2, activation='linear')(_)
_ = Dense(64*2, activation='linear')(encoded_d)
_ = tf.keras.layers.Dropout(0.10)(_) # additional
_ = Reshape((8, 8*2))(_)
_ = Conv1D(8*2, 6, activation="linear", padding="same")(_)
_ = LeakyReLU(alpha=0.3)(_)
_ = tf.keras.layers.Dropout(0.10)(_) # additional
_ = UpSampling1D(2)(_)
_ = Conv1D(16*2, 3, activation='linear')(_)
_ = LeakyReLU(alpha=0.3)(_)

_ = tf.keras.layers.Dropout(0.10)(_) # additional

_ = UpSampling1D(2)(_)
output_dt = Conv1D(25, 4, activation='linear', padding='valid')(_)