Validation 验证损失在几次迭代后发散,并在3层深Keras NN上指数超调
全部,, 在这里发布查询,因为我在任何线程上都找不到解决方案。我尝试用4个协变量预测y(0,1之间的比率) 规格 Y:0,1之间的比率 X1:具有4个周期移动平均线的利率 X2:百分比变化 X3:百分比变化 X4:具有4个周期移动平均线的数字 意见:55 在喂给Keras之前,使用minmax scaler在0,1之间缩放X和Y 然而,在最初的几个时期,培训和验证的损失都有所减少,验证损失在之后呈指数级增长 我尝试了以下列表中的多种补救措施,但没有一种有效: 1.L1、L2正则化Xavier初始化、随机初始化Validation 验证损失在几次迭代后发散,并在3层深Keras NN上指数超调,validation,keras,deep-learning,neural-network,Validation,Keras,Deep Learning,Neural Network,全部,, 在这里发布查询,因为我在任何线程上都找不到解决方案。我尝试用4个协变量预测y(0,1之间的比率) 规格 Y:0,1之间的比率 X1:具有4个周期移动平均线的利率 X2:百分比变化 X3:百分比变化 X4:具有4个周期移动平均线的数字 意见:55 在喂给Keras之前,使用minmax scaler在0,1之间缩放X和Y 然而,在最初的几个时期,培训和验证的损失都有所减少,验证损失在之后呈指数级增长 我尝试了以下列表中的多种补救措施,但没有一种有效: 1.L1、L2正则化Xavier初始
''你能把剩下的代码贴出来吗?损失和精度函数、编译、拟合等。您是否尝试过向密集层添加超过75个节点?(试试200)。另外,请添加数据集的大小和形状
# First Hidden Layer
layer1 = Dense(units = 15, input_dim=4, activation='relu')
model.add(layer1)
# Additional Hidden Layer - no need to specify input_dim here, Keras figures this out
#layer2 = Dense(units=15, activation='relu', kernel_regularizer=regularizers.l1_l2(l1=1e-7, l2=1e-7), bias_regularizer=regularizers.l2(1e-7), activity_regularizer=regularizers.l2(1e-7)) # L2 Regularization function
layer2 = Dense(units=25, activation='relu')
model.add(layer2)
# Specify the output (units = 1)
model.add(Dense(units = 1, activation='linear'))
model.summary()