Tensorflow Keras网络不是培训

我正在努力学习Keras，并创建了一个简单的网络。特征数据为[1,2,3,4,5]，标签为[7,9,11,13,15]-或斜率为2、截距为5（Y=X*2+5）的直线

以下是Keras网络：

# simple keras example
# 
# This solves for a line

import numpy as np
import keras

# configuration variables

samples = 5
base = 1

slope = 2
intercept = 5

# hyper-parameters

learning_rate = 0.01
epochs        = 2000

model = keras.Sequential()
model.add(keras.layers.Dense(1, input_dim=1, activation=keras.activations.linear))

sgd = keras.optimizers.SGD(learning_rate=learning_rate)

model.compile(loss='binary_crossentropy', optimizer=sgd, metrics=['mean_absolute_error'])

X = np.array(range(base, base+samples))
Y = X * slope + intercept

model.fit(X, Y, epochs=epochs, batch_size=samples)

loss, accuracy = model.evaluate(X, Y)

print('Loss: ', loss, ' Accuracy: ', accuracy)

k_slope = model.layers[0].get_weights()[0]
k_intercept = model.layers[0].get_weights()[1]

print('slope: ', k_slope, ' intercept: ', k_intercept)

在第一个纪元，坡度最终为-0.1879，并且没有进展。我怀疑我缺少一个参数或设置，或者可能缺少对模型的函数调用。但我不知道是什么

这是一个tensorflow网络，我正试图在Keras中重现。这一网络在大约1300个时代收敛到正确答案：

#simple linear regression with tensorflow
# 
# This solves for a line
#

import tensorflow as tf
import numpy as np

# configuration variables

samples = 5
base = 1

slope = 2
intercept = 5

# hyper-parameters

learning_rate = 0.01
epochs        = 2000

x = tf.placeholder(tf.float32)
y = tf.placeholder(tf.float32)

m = tf.Variable(0.0)
b = tf.Variable(0.0)

pred = tf.add(tf.multiply(x, m), b)

cost = tf.reduce_mean(tf.abs(y - pred))

me_first = tf.global_variables_initializer()

optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)
session = tf.Session()

session.run(me_first)

for i in range(epochs):

   X = np.array(range(base, base+samples))
   Y = X * slope + intercept

   t_slope, t_intercept, total_err, opt = session.run([m, b, cost, optimizer], feed_dict={x:X, y:Y})

print('iter: ', i, ' intercept: ', t_intercept, ' slope: ', t_slope, ' error: ', total_err)

---

奥林回答了这个问题。损失函数不适用于网络。当数据的标签为1或0时，应使用“BinaryCrossentropy”。在我的情况下，标签是任意数量的。为了制作与tensorflow示例等效的网络，损耗函数需要是“平均绝对误差”，或者简称为“mae”

在调用model.compile（）时，我确实将“metrics”字段设置为“mean_absolute_error”，并且我错误地认为该度量将用作网络的损失度量。事实上，“度量”是计算和报告的，但算法根本不使用。开发人员可以查看培训数据集的其他损失函数值

---

不幸的是，在这种情况下，Keras默默地失败了。当它看到0或1以外的标签时，如果报告“BinaryCrossentropy”不应用作损失函数，这将非常有用。

将损失函数从

binary\u crossentropy

切换到

mae

（这是您的TensorFlow示例所使用的），将修复它。这是有效的。谢谢虽然我不知道为什么任何损失函数都不能产生正确答案的进展。Keras网站对损失函数的解释非常简单。