如何估计与“参数”，在使用Python DNN正弦函数？

Question

我想要做的是估计与如频率W，时间t，相披参数正弦函数。

有两种情况我尝试。（I附下面为了描述图像链接和源代码）

外壳1是一个关于具有单一的输入正弦函数的估计X 2的情况下是大约具有多输入正弦函数的估计（x被除以3：频率ω，时间t，相PHI）

案例1效果很好。我得到了非常低的损耗值。（约为0）第2种情况不能很好地工作。损耗值是相当高的。它收敛到25

我想提高其性能，并知道为什么它有一个表现不佳的原因。

我连接用于源代码和Evernote的链接的描述中图象nbviewer链接。

案例1）https://nbviewer.jupyter.org/gist/nuriahn/1dd28ef1164a8a358bb7875f48dc1174

案例2）https://nbviewer.jupyter.org/gist/nuriahn/f4b25917243c4b043caf640362dcd0ea

说明图片）http://www.evernote.com/l/AYuq8O7ErDtKK4346xKk7RzmVx9fX0zTdT8/

我希望这种模式可以学习这个公式：Y = SIN（W * T + PHI）。例如，当我把W = 2，T = 4和phi = 0.5作为输入然后我得到的输出y为sin（2 * 4 + 0.5）的结果。

Answer 1

在这种情况下，唯一的情况1将工作，因为它正在考虑w和披作为参数来学习。

在第二种情况下，则不能指望网络学习作为要传递的参数（这是为了通过网络而获知）作为输入，并让网络确定通过完全连接层它们之间的关系（通过添加更多的权重）。