python - 如何使用 Keras 预测函数/表？

Question

我目前正在学习keras。我的目标是创建一个简单的模型来预测函数的值。首先我创建了两个数组，一个用于 X 值，一个用于相应的 Y 值。

# declare and init arrays for training-data
X = np.arange(0.0, 10.0, 0.05)
Y = np.empty(shape=0, dtype=float)

# Calculate Y-Values
for x in X:
    Y = np.append(Y, float(0.05*(15.72807*x - 7.273893*x**2 + 1.4912*x**3 - 0.1384615*x**4 + 0.00474359*x**5)))

然后我创建并训练模型

# model architecture
model = Sequential()
model.add(Dense(1, input_shape=(1,)))
model.add(Dense(5))
model.add(Dense(1, activation='linear'))

# compile model
model.compile(loss='mean_absolute_error', optimizer='adam', metrics=['accuracy'])

# train model
model.fit(X, Y, epochs=150, batch_size=10)

并使用模型预测值

# declare and init arrays for prediction
YPredict = np.empty(shape=0, dtype=float)

# Predict Y
YPredict = model.predict(X)

# plot training-data and prediction
plt.plot(X, Y, 'C0')
plt.plot(X, YPredict, 'C1')

# show graph
plt.show()

我得到了这个输出(蓝色是训练数据，橙色是预测):

我做错了什么？我想这是网络架构的一个基本问题，对吧？

Answer 1

问题确实出在您的网络架构上。具体来说，您在所有层中都使用线性激活:这意味着网络只能拟合线性函数。你应该在输出层保持线性激活，但你应该在隐藏层使用 ReLU 激活:

model.add(Dense(1, input_shape=(1,)))
model.add(Dense(5, activation='relu'))
model.add(Dense(1, activation='linear'))

然后，调整隐藏层的数量/大小；我建议你多用几个。