Skip to main content
 首页 » 编程设计

Python TLearn之损失太高

2025年02月15日7insus

在解决我的输入形状问题后,我运行了我的程序,问题是程序打印的总损失太高了(如果我将它与快速入门教程中的损失进行比较)。

我的目标是通过使用过去的数据预测 future 入口的拥堵(我有超过 10M 的入口和标记的分数)所以我应该没有训练问题。

这是我的代码:

import numpy as np 
import tflearn 
 
# Load CSV file, indicate that the first column represents labels 
from tflearn.data_utils import load_csv 
data, labels = load_csv('nowcastScaled.csv', has_header=True, n_classes=2) 
 
# Preprocessing function 
def preprocess(data): 
    return np.array(data, dtype=np.float32) 
 
# Preprocess data 
data = preprocess(data) 
 
# Build neural network 
net = tflearn.input_data(shape=[None, 2]) 
net = tflearn.fully_connected(net, 32) 
net = tflearn.fully_connected(net, 32) 
net = tflearn.fully_connected(net, 2, activation='linear') 
data = np.reshape(data, (-1, 2)) 
labels = np.reshape(labels, (-1, 2)) 
net = tflearn.regression(net, optimizer='adam', learning_rate=0.001, 
                         loss='categorical_crossentropy') 
 
# Define model 
model = tflearn.DNN(net) 
# Start training (apply gradient descent algorithm) 
model.fit(data, labels, n_epoch=15, batch_size=16, show_metric=True) 
 
# Training 
model.save('test_Model') 
model.load('test_Model') 
score = model.evaluate(data, labels, batch_size=16) 

我的 excel 文件有这种外观(2 列,100 000 法线)

calculed_at , congestion 
1 , 56 
2 , 21 

这是结果的样子(15 个纪元):

Training samples: 50000 
Validation samples: 0 
.... 
-- 
Training Step: 40625  | total loss: 15.27961 | time: 17.659s 
| Adam | epoch: 013 | loss: 15.27961 - acc: 0.7070 -- iter: 50000/50000 
-- 
Training Step: 43750  | total loss: 15.66268 | time: 17.549s 
| Adam | epoch: 014 | loss: 15.66268 - acc: 0.7247 -- iter: 50000/50000 
-- 
Training Step: 46875  | total loss: 15.94696 | time: 18.037s 
| Adam | epoch: 015 | loss: 15.94696 - acc: 0.7581 -- iter: 50000/50000 
-- 

您知道什么会导致如此高的损失吗?这看起来很奇怪,因为打印的准确性似乎还不错。感谢您的帮助。

编辑:这似乎是我采用这些值的好时机,因为当我刚才尝试时我的总损失超过 280(精度低于 0.3 或略高于 0.3)。

请您参考如下方法:

对于时间序列,您可以通过考虑时间窗口的帧来构建输入/输出样本。在每个窗口中,如果样本为 {0, 1, ...N},则选择前 N-1 个样本作为输入,最后一个样本作为输出。然后您可以进行回归以进行时间预测。