我对神经网络还是很陌生。我尝试使用 Keras 实现以下目标:
我有一组数据,其中 f(x) = x^2 + 3。像这样:
x f(x)
-10 103
-9.9 101.01
-9.8 99.04
-9.7 97.09
...
9.7 97.09
9.8 99.04
9.9 101.01
10 103
所以我尝试建立一个模型,可以根据 x 预测值 f(x)。我认为这一定是一件简单的事情,但我找不到任何提示。我只得到从 0 到 1 的输出(我猜是由于归一化?)而且它们似乎也很糟糕。
# Import the dataset
dataset = pd.read_csv("simple_network/Linear Data.csv", header=None).values
X_train, X_test, Y_train, Y_test = train_test_split(dataset[:,0:1], dataset[:,1],
test_size=0.25,)
# Now we build the model
neural_network = Sequential() # create model
neural_network.add(Dense(5, input_dim=1, activation='sigmoid')) # hidden layer
neural_network.add(Dense(1, activation='sigmoid')) # output layer
neural_network.compile(loss='mean_squared_error', optimizer='sgd', metrics=['accuracy'])
neural_network_fitted = neural_network.fit(X_train, Y_train, epochs=1000, verbose=0,
batch_size=X_train.shape[0], initial_epoch=0)
我怀疑我需要以某种方式迎合这样一个事实,即期望区间值作为输出,而不是标称值或序数值。有什么想法吗?
请您参考如下方法:
首先,您使用 sigmoid 作为输出层的激活函数。如果查看 sigmoid 函数的公式(参见 wiki),您会发现其输出值位于 0.0 到 1.0 的范围内。因此,尝试将最后一层的激活函数替换为linear。这样,非线性将由您的隐藏层(具有非线性激活函数)处理,输出层将用于缩放并在需要时添加偏差。
