我正在尝试创建一个简单的神经网络,以了解其工作原理。
二次度数的形式为(x-x1)*(x-x2)= 0,如果重新排列,它将变成ax ^ 2 + bx + c = 0,其中a = 1,b =- 2 * x1 * x2,c = x1 * x2。我想创建一个神经网络,其中输入为(a,b),输出为(x1,x2)。
为了做到这一点,我创建了2个函数来创建数据,并将它们存储在名为输入和输出的矩阵中。
我创建了一个具有2x2x2层(包括输入和输出)的神经网络,并对其进行了测试,即使对其进行了调整,其结果也很差。
我猜我有关于数据的问题,因为神经网络可以工作并吐出一个结果,但是效果不好。
我不知道问题出在哪里,但是我猜想它与数据缩放有关。我试图在不缩放数据的情况下引入数据,但是得到的结果也是一样。
想法是,我提供了足够的培训,因此权重和偏见使得只要提供任何输入数据,结果都将非常接近所需的输出。
这是整个程序的代码
import keras
from keras import backend as K
from keras.models import Sequential
from keras.models import load_model
from keras.layers import Dense, Activation
from keras.layers.core import Dense
from keras.optimizers import SGD
from keras.metrics import categorical_crossentropy
from sklearn.metrics import confusion_matrix
import itertools
import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
from random import randint
from sklearn.preprocessing import MinMaxScaler
import numpy as np
def abc(x1, x2):
b=-2*x1*x2
c=x1*x2
sol=[b,c]
return sol
a=10
b=10
c=a*b
def Nx2(N, M):
matrix=[]
n = N+ 1
m= M + 1
for i in range(1,n):
for j in range(1,m):
temp=[i,j]
matrix.append(temp)
final_matrix = np.array(matrix)
return final_matrix
output=Nx2(a, b)
# print(output)
input=[]
for i in range(0,c):
temp2=abc(output[i,0],output[i,1])
input.append(temp2)
input=np.array(input)
print(input)
train_labels = output
train_samples = input
scaler = MinMaxScaler(feature_range=(0,1))
scaled_train_samples = scaler.fit_transform((train_samples).reshape(-1,1))
scaled_train_samples=scaled_train_samples.reshape(-1,2)
scaler = MinMaxScaler(feature_range=(0,1))
scaled_train_labels = scaler.fit_transform((train_labels).reshape(-1,1))
scaled_train_labels=scaled_train_labels.reshape(-1,2)
print(scaled_train_samples)
print(scaled_train_labels)
model = Sequential([
Dense(2, input_shape=(2,), activation='sigmoid'),
Dense(2, activation='sigmoid'),
])
print(model.weights)
model.compile(SGD(lr=0.01), loss='mean_squared_error', metrics=['accuracy'])
model.fit(scaled_train_labels, scaled_train_labels, validation_split=0.2, batch_size=10, epochs=20, shuffle=True, verbose=2)
print(model.summary())
print(model.weights)
这些是我得到的结果。
Epoch 1/20
- 0s - loss: 0.1456 - accuracy: 0.5500 - val_loss: 0.3715 - val_accuracy: 0.0500 Epoch 2/20
- 0s - loss: 0.1449 - accuracy: 0.5500 - val_loss: 0.3704 - val_accuracy: 0.0500 Epoch 3/20
- 0s - loss: 0.1443 - accuracy: 0.5500 - val_loss: 0.3692 - val_accuracy: 0.0500 Epoch 4/20
- 0s - loss: 0.1437 - accuracy: 0.5500 - val_loss: 0.3681 - val_accuracy: 0.0500 Epoch 5/20
- 0s - loss: 0.1431 - accuracy: 0.5500 - val_loss: 0.3670 - val_accuracy: 0.0500 Epoch 6/20
- 0s - loss: 0.1425 - accuracy: 0.5500 - val_loss: 0.3658 - val_accuracy: 0.0500 Epoch 7/20
- 0s - loss: 0.1419 - accuracy: 0.5500 - val_loss: 0.3647 - val_accuracy: 0.0500 Epoch 8/20
- 0s - loss: 0.1413 - accuracy: 0.5500 - val_loss: 0.3636 - val_accuracy: 0.0500 Epoch 9/20
- 0s - loss: 0.1407 - accuracy: 0.5500 - val_loss: 0.3625 - val_accuracy: 0.0500 Epoch 10/20
- 0s - loss: 0.1401 - accuracy: 0.5500 - val_loss: 0.3613 - val_accuracy: 0.0500 Epoch 11/20
- 0s - loss: 0.1395 - accuracy: 0.5500 - val_loss: 0.3602 - val_accuracy: 0.0500 Epoch 12/20
- 0s - loss: 0.1389 - accuracy: 0.5500 - val_loss: 0.3591 - val_accuracy: 0.0500 Epoch 13/20
- 0s - loss: 0.1383 - accuracy: 0.5500 - val_loss: 0.3580 - val_accuracy: 0.0500 Epoch 14/20
- 0s - loss: 0.1377 - accuracy: 0.5500 - val_loss: 0.3568 - val_accuracy: 0.0500 Epoch 15/20
- 0s - loss: 0.1372 - accuracy: 0.5500 - val_loss: 0.3557 - val_accuracy: 0.0500 Epoch 16/20
- 0s - loss: 0.1366 - accuracy: 0.5500 - val_loss: 0.3546 - val_accuracy: 0.0500 Epoch 17/20
- 0s - loss: 0.1360 - accuracy: 0.5500 - val_loss: 0.3535 - val_accuracy: 0.0500 Epoch 18/20
- 0s - loss: 0.1354 - accuracy: 0.5500 - val_loss: 0.3524 - val_accuracy: 0.0500 Epoch 19/20
- 0s - loss: 0.1348 - accuracy: 0.5500 - val_loss: 0.3513 - val_accuracy: 0.0500 Epoch 20/20
- 0s - loss: 0.1342 - accuracy: 0.5500 - val_loss: 0.3502 - val_accuracy: 0.0500
有人可以指出我正确的方向吗?
谢谢
您的代码有几个问题:
您正在使用回归问题的准确性,这没有意义(准确性仅适用于classification问题)。您应该仅在损失(MSE)的情况下监视模型的性能(出于相同的原因,您不需要导入confusion_matrix
或categorical_crossentropy
)。
您错误地将sigmoid
激活用于最后一层;在回归问题中,应为linear
(或留空,因为linear
是默认的Keras激活)。
您应将relu
激活用于中间层,而不要用于sigmoid
。
您的模型看起来太简单了,目前尚不清楚为什么只使用2节点层会受到约束(您应该not,当然,对于输出层除外)。
] >>总而言之,这是一个起点:
...model = Sequential([ Dense(30, input_shape=(2,), activation='relu'), # Dense(10, activation='relu'), # uncomment for experimentation Dense(2, activation='linear'), ]) model.compile(SGD(lr=0.01), loss='mean_squared_error')
但是这里的密码是实验
最后但并非最不重要的是,您在model.fit()
中似乎有一个错字(传递了两倍的标签,而不是样本)-请确保也解决此问题。