时间戳

首页 > 解决方案 > Keras 神经网络为所有输入预测相同的数字

python - Keras 神经网络为所有输入预测相同的数字

问题描述

我正在尝试创建一个 keras 神经网络来预测城市两点之间的道路距离。我正在使用谷歌地图来获取旅行距离，然后训练神经网络来做到这一点。

import pandas as pd
arr=[]
for i in range(0,100):
    arr.append(generateTwoPoints(55.901819,37.344735,55.589537,37.832254))
    df=pd.DataFrame(arr,columns=['p1Lat','p1Lon','p2Lat','p2Lon', 'distnaceInMeters', 'timeInSeconds'])
print(df)

神经网络架构：

from keras.optimizers import SGD
sgd = SGD(lr=0.00000001)
from keras.models import Sequential
from keras.layers import Dense, Activation
model = Sequential()
model.add(Dense(100, input_dim=4 , activation='relu'))
model.add(Dense(100, activation='relu'))
model.add(Dense(1,activation='sigmoid'))
model.compile(loss='mse', optimizer='sgd', metrics=['mse'])

然后我分集进行测试/训练

Xtrain=train[['p1Lat','p1Lon','p2Lat','p2Lon']]/100
Ytrain=train[['distnaceInMeters']]/100000
Xtest=test[['p1Lat','p1Lon','p2Lat','p2Lon']]/100
Ytest=test[['distnaceInMeters']]/100000

然后我将数据拟合到模型中，但损失保持不变：

history = model.fit(Xtrain, Ytrain,
                    batch_size=1,
                    epochs=1000,
                    # We pass some validation for
                    # monitoring validation loss and metrics
                    # at the end of each epoch
                    validation_data=(Xtest, Ytest))

我稍后打印数据：

prediction = model.predict(Xtest)
print(prediction)
print (Ytest)

但是所有输入的结果都是相同的：

[[0.26150784]
 [0.26171574]
 [0.2617755 ]
 [0.2615582 ]
 [0.26173398]
 [0.26166356]
 [0.26185763]
 [0.26188275]
 [0.2614446 ]
 [0.2616575 ]
 [0.26175532]
 [0.2615183 ]
 [0.2618127 ]]
    distnaceInMeters
2            0.13595
6            0.27998
7            0.48849
16           0.36553
21           0.37910
22           0.40176
33           0.09173
39           0.24542
53           0.04216
55           0.38212
62           0.39972
64           0.29153
87           0.08788

我找不到问题。它是什么？我是机器学习的新手。

标签： pythonmachine-learningkerasneural-networknon-linear-regression

解决方案

您犯了一个非常基本的错误：由于您处于回归设置中，因此您不应在最后一层使用sigmoid激活（这用于二元分类情况）；将最后一层更改为

model.add(Dense(1,activation='linear'))

甚至

model.add(Dense(1))

因为，根据文档，如果您不指定activation参数，则默认为linear.

其他答案中已经提供了各种其他建议，并且评论可能很有用（较低的 LR、更多层、其他优化器，例如Adam），您当然需要增加批量大小；但是sigmoid您当前用于最后一层的激活功能将无法使用。

与问题无关，但在回归设置中，您不需要将损失函数作为指标重复；这个

model.compile(loss='mse', optimizer='sgd')

就足够了。

推荐阅读