非常简单的问题可以'；不能由安来解决吗？Tensorflow神经网络，人工智能

我不明白为什么这个极其简单的输入输出问题不能通过下面的ANN来学习。我猜我的代码有错误，但我没找到

X = np.array([[ 1.,  1., -1.,  1.],
              [ 1.,  1.,  1.,  1.],
              [ 1.,  1.,  1.,  1.]])

Y = np.array([[ 1.,  1., -5.,  1.],
              [ 1.,  1.,  1.,  1.],
              [ 1.,  1.,  1.,  1.]])
 


model = Sequential()
model.add(Dense(4, activation='relu'))
model.add(Dense(8, activation='relu'))
model.add(Dense(16, activation='relu'))
model.add(Dense(4, activation='linear'))
model.compile(loss='mse', optimizer='adam', metrics=['mae'])

erg = model.fit(X,Y, epochs=10, batch_size=1, verbose=1)

---

就像Matias提到的，您在最后一层中使用softmax激活，它不能用于在数据集中生成结果，因为只有当数据集目标是某种概率时，softmax激活在输出层中作为激活才有用。使用线性而不是softmax应该会有所帮助

---

model.add（稠密（4，activation='linear'））

softmax激活无法生成目标中的值。softmax生成[0,1]中的值向量，其总和为1，通常仅用于分类任务。这是什么样的任务？我问这是什么任务，分类还是回归？准确度是一个仅适用于分类的度量标准。不，神经网络不是这样工作的，如果你将它用于错误的任务，它根本不会工作。NN不是魔法。@LukasNießen你应该尝试更多的纪元，比如说300甚至500。我相信它会改进，并且会得到你想要的结果。@LukasNießen你应该

mae

应该是模型度量的更好选择，而不是

准确性

。在回归问题中，作为度量的准确性是毫无意义的。@LukasNießen然后尝试训练更多的时期，看看mae是否在降低。