Python 凯拉斯：精度保持为零

我正试图与Keras一起进入机器学习领域

我不是数学家，我对神经网络的工作原理只有一个基本的了解（哈哈，明白吗？），所以对我放轻松点

这是我当前的代码：

from keras.utils import plot_model
from keras.models import Sequential
from keras.layers import Dense
from keras import optimizers
import numpy

# fix random seed for reproducibility
numpy.random.seed(7)

# split into input (X) and output (Y) variables
X = []
Y = []
count = 0

while count < 10000:
    count += 1
    X += [count / 10000]
    numpy.random.seed(count)
    #Y += [numpy.random.randint(1, 101) / 100]
    Y += [(count + 1) / 100]
print(str(X) + ' ' + str(Y))

# create model
model = Sequential()
model.add(Dense(50, input_dim=1, kernel_initializer = 'uniform', activation='relu'))
model.add(Dense(50, kernel_initializer = 'uniform', activation='relu'))
model.add(Dense(1, kernel_initializer = 'uniform', activation='sigmoid'))

# Compile model
opt = optimizers.SGD(lr=0.01)
model.compile(loss='binary_crossentropy', optimizer=opt, metrics=['accuracy'])

# Fit the model
model.fit(X, Y, epochs=150, batch_size=100)

# evaluate the model
scores = model.evaluate(X, Y)
predictions = model.predict(X)
print("\n%s: %.2f%%" % (model.metrics_names[1], scores[1]*100))
print (str(predictions))
##plot_model(model, to_file='C:/Users/Markus/Desktop/model.png')

来自keras.utils导入plot\u模型
从keras.models导入顺序
从keras.layers导入稠密
来自keras导入优化器
进口numpy
#固定随机种子的重复性
随机种子（7）
#分为输入（X）和输出（Y）变量
X=[]
Y=[]
计数=0
当计数小于10000时：
计数+=1
X+=[计数/10000]
numpy.random.seed（计数）
#Y+=[numpy.random.randint（1101）/100]
Y+=[（计数+1）/100]
打印（str（X）+''+str（Y））
#创建模型
模型=顺序（）
add（密集型（50，input_dim=1，kernel_initializer='uniform'，activation='relu'））
add（稠密（50，kernel_初始值设定项='uniform'，activation='relu'））
add（稠密（1，kernel_初始值设定项='uniform'，activation='sigmoid'））
#编译模型
opt=optimizers.SGD（lr=0.01）
compile（loss='binary\u crossentropy'，optimizer=opt，metrics=['accurity']）
#符合模型
模型拟合（X，Y，历次=150，批次大小=100）
#评估模型
分数=模型。评估（X，Y）
预测=模型。预测（X）
打印（“\n%s:%.2f%%”%（model.metrics_名称[1]，分数[1]*100））
打印（str（预测））
##plot_model（model，to_file='C:/Users/Markus/Desktop/model.png'）

---

精度保持为零，预测值为1的数组。我做错了什么？

看起来您正在尝试使用

二进制交叉熵

损失函数进行二进制分类。但是，类标签

Y

是浮动的。标签应为0或1。因此，最大的问题在于为训练模型提供的输入数据

您可以尝试一些更有意义的数据，例如，从两个不同的正态分布中采样数据的两个类，每个观测值的标签为0或1：

X = np.concatenate([np.random.randn(10000)/2, np.random.randn(10000)/2+1])

Y = np.concatenate([np.zeros(10000), np.ones(10000)])

---

模型应该能够处理此类数据。

从我所看到的情况来看，您试图解决的是回归问题（浮点函数输出），而不是分类问题（一个热向量样式输出/将输入放入类别）

您的sigmoid最终层将只提供介于0和1之间的输出，这显然限制了NNs预测所需Y值范围的能力，而Y值的范围会上升得更高。您的NN正试图尽可能接近它，但您正在限制它！输出层中的sigmoid适用于单类yes/no输出，但不适用于回归

所以，你希望你的最后一层有一个线性激活，其中输入只是求和。像这样的东西而不是乙状结肠。

model.add（密集型（1，内核初始化器='lecun\u normal'，激活='linear'））

那么它可能会起作用，至少如果学习率足够低的话

---

谷歌“keras回归”搜索有用的链接。

有没有一种方法可以进行浮动预测？是的，你可以。您需要将损失函数更改为类似于均方误差的值。检查此项：[]（）。另外，你可能想移除最后一层中的乙状结肠激活…好的，我成功了。但是损失减少了很小的一步，几乎没有。你会推荐哪种参数的网络？很难说。要做的一件事是在数据集的一小部分上进行训练，并对其进行过度拟合（损失接近0）。您可以尝试两件事：优化器的不同学习率，以及不同的优化器。大多数优化器可能比SGD工作得更好。在您的示例中，更改您正在使用的优化器-SGD的LR参数。亚当是一个很好的违约乐观主义者，而不是新加坡元。