Tensorflow 神经网络不适合长距离训练

我在tensorflow中创建了一个神经网络。这些网络是：

5 input variables a, b, c, d, e
y = sin(a)+ b + exp(c) - d*d + tanh(e)
50 neuron layer1, relu
20 neuron layer2, relu
10 neuron layer3, relu
1 neuron output layer

---

如果输入变量在小范围内，如-1到1或-5到5，则nn很容易收敛（成本约为0.0001）。但是如果我增加范围，它就不会收敛。同一网络在小输入范围内收敛，但在大范围内不收敛。为什么会发生这种情况？我怎样才能为大射程训练-100到100等等。

神经网络通常在标准化或规范化输入上表现更好，因为它们的梯度在反向传播过程中表现更好。这有很多原因，但例如较大的特征会对渐变产生更大的影响，这不一定是您想要的。有关更深入的讨论，请参见CrossValidated

标准化数据的一种方法是使用

---

更简单的方法是在输入端添加图层，但这会降低训练速度。

神经网络通常在标准化或规范化输入端表现更好，因为它们的梯度在反向传播过程中表现更好。这有很多原因，但例如较大的特征会对渐变产生更大的影响，这不一定是您想要的。有关更深入的讨论，请参见CrossValidated

标准化数据的一种方法是使用

---

更简单的方法是在输入端添加图层，但这会降低培训速度。

您可以发布全部代码吗？您可以发布全部代码吗？