time-series - 当基本事实接近于零时,LSTM 无法很好地预测
问题描述
在训练 LSTM 模型时,我遇到了一个我无法解决的问题。首先,让我描述一下我的模型:我在 Pytorch 中使用了一个堆叠的 LSTM 模型,它有 3 层,每层有 256 个隐藏单元,以根据 EMG 特征预测人体关节扭矩和关节角度。经过训练,模型在ground truth远离0时可以很好地预测,但是当ground truth接近0时,预测值与ground truth之间总是存在偏移。我猜原因是ground truth的大值会在训练过程中产生更大的影响,以减少损失函数。
这是结果:
从图中可以看出,在这两个数据集中,当ground truth 高于20度时,模型可以很好地预测。我尝试了不同的损失函数,但情况并没有改善。由于我只是这个领域的初学者,我希望有人能指出我方法中的问题以及如何解决它。谢谢!
解决方案
推荐阅读
- javascript - React Native UI 在 AsyncStorage 获取 + setStates 后不更新?
- c# - 仅在 XAML 中使用包时项目之间的 Nuget 包依赖关系
- python - 如何使用辅助函数实现卡片分类代码?
- apache-spark - Spark Web UI,即使我不持久化数据,也会显示非零内存存储数字
- ios13 - Swift iOS 13 - searchBar 中的 scopeBar 未显示在 TitleView 中
- react-native - React Native 构建 - 如何在发布中启用调试菜单(摇动)
- c# - Task.Run(async () => await MethodAsync()).Result 和 MethodAsync().Result 之间有什么区别吗?
- html - 带有 HTML 和 CSS 的旁注中的项目符号列表
- c++ - 如果代码中的任何位置都没有连接插槽,是否有理由发出 Qt 信号?
- java - gradle:tar 任务不创建 tar.gz