LSTM模型中的时间图中的损失跳跃

Question

我看到LSTM模型的纪元图中的跳跃跳跃。 （附有SCREENSHOT）它告诉我什么？ （过度拟合？，错误的功能，错误的激活不必要的层？等等。）

LOSS PLOT

# Model
time_input= Input(shape=(timesteps,data_dim))           #inputs dimension
DKLOC_input= Input(shape=(timesteps,data_dim))  
LSTM_outs=LSTM(hidden_dim, unroll= True, return_sequences=True)(time_input)
MLP_inputs=concatenate([LSTM_outs,Feature_Data_input])

MLP_outs= Dense(MLP_hidden_dim, activation='relu')(MLP_inputs)
MLP_outs= Dense(MLP_hidden_dim, activation='relu')(MLP_outs)
outs= Dense(data_dim, activation="linear")(MLP_outs) 


#optimizaiton # compile  #fit
model = Model(inputs=[time_input,Feature_Data_input], outputs=[outs])
model.compile(loss='mse', optimizer="adam", metrics=['mse', 'mae', 'mape', 'cosine'])
history = model.fit(x=[input_data, Feature_Data_train] , y= truth, batch_size=1, epochs=1000, verbose=2)

Epoch 999/1000 - 0s - 损失：0.0132 - mean_squared_error：0.0132 - mean_absolute_error：0.0619 - mean_absolute_percentage_error：45287253.3333 - cosine_proximity：-6.5984e-01 Epoch 1000/1000 - 0s - 损失：0.0132 - mean_squared_error：0.0132 - mean_absolute_error：0.0618 - mean_absolute_percentage_error ：45145968.0000 - cosine_proximity：-6.5985e-01

Answer 1

我将首先使用大于1的batch_size。您希望优化器考虑多个数据点，而不是当时的单个样本。希望您的数据样本不同，因此您希望优化考虑一组平均值。