張量流的負巨大損失-有解無憂

我正在嘗試使用 keras 從資料集中預測價格值。我正在關注本教程：https ://keras.io/examples/structured_data/structured_data_classification_from_scratch/ ，但是當我進入擬合模型的部分時，我得到了巨大的負損失和非常小的準確性

Epoch 1/50
1607/1607 [==============================] - ETA: 0s - loss: -117944.7500 - accuracy: 3.8897e-05
2022-05-22 11:14:28.922065: I tensorflow/core/grappler/optimizers/custom_graph_optimizer_registry.cc:113] Plugin optimizer for device_type GPU is enabled.
1607/1607 [==============================] - 15s 10ms/step - loss: -117944.7500 - accuracy: 3.8897e-05 - val_loss: -123246.0547 - val_accuracy: 7.7791e-05
Epoch 2/50
1607/1607 [==============================] - 15s 9ms/step - loss: -117944.7734 - accuracy: 3.8897e-05 - val_loss: -123246.0547 - val_accuracy: 7.7791e-05
Epoch 3/50
1607/1607 [==============================] - 15s 10ms/step - loss: -117939.4844 - accuracy: 3.8897e-05 - val_loss: -123245.9922 - val_accuracy: 7.7791e-05
Epoch 4/50
1607/1607 [==============================] - 16s 10ms/step - loss: -117944.0859 - accuracy: 3.8897e-05 - val_loss: -123245.9844 - val_accuracy: 7.7791e-05
Epoch 5/50
1607/1607 [==============================] - 15s 10ms/step - loss: -117944.7422 - accuracy: 3.8897e-05 - val_loss: -123246.0547 - val_accuracy: 7.7791e-05
Epoch 6/50
1607/1607 [==============================] - 15s 10ms/step - loss: -117944.8203 - accuracy: 3.8897e-05 - val_loss: -123245.9766 - val_accuracy: 7.7791e-05
Epoch 7/50
1607/1607 [==============================] - 15s 10ms/step - loss: -117944.8047 - accuracy: 3.8897e-05 - val_loss: -123246.0234 - val_accuracy: 7.7791e-05
Epoch 8/50
1607/1607 [==============================] - 15s 10ms/step - loss: -117944.7578 - accuracy: 3.8897e-05 - val_loss: -123245.9766 - val_accuracy: 7.7791e-05
Epoch 9/50

這是我的圖表，就代碼而言，它看起來像示例中的那個，但經過了調整：

# Categorical feature encoded as string
desc = keras.Input(shape=(1,), name="desc", dtype="string")

# Numerical features
date = keras.Input(shape=(1,), name="date")
quant = keras.Input(shape=(1,), name="quant")

all_inputs = [
    desc,
    quant,
    date,
]

# String categorical features
desc_encoded = encode_categorical_feature(desc, "desc", train_ds)

# Numerical features
quant_encoded = encode_numerical_feature(quant, "quant", train_ds)
date_encoded = encode_numerical_feature(date, "date", train_ds)

all_features = layers.concatenate(
    [
        desc_encoded,
        quant_encoded,
        date_encoded,
    ]
)
x = layers.Dense(32, activation="sigmoid")(all_features)
x = layers.Dropout(0.5)(x)
output = layers.Dense(1, activation="relu")(x)
model = keras.Model(all_inputs, output)
model.compile("adam", "binary_crossentropy", metrics=["accuracy"])

資料集如下所示：

date    desc    quant   price
0   20140101.0  CARBONATO DE DIMETILO   999.00  1428.57
1   20140101.0  HIDROQUINONA    137.00  1314.82
2   20140101.0  1,5 PENTANODIOL TECN.   495.00  2811.60
3   20140101.0  SOSA CAUSTICA LIQUIDA 50%   567160.61   113109.14
4   20140101.0  BOROHIDRURO SODICO  6.24    299.27

此外，我正在使用以下方法將日期從 YYYY-MM-DD 轉換為數字：

dataset['date'] = pd.to_datetime(dataset["date"]).dt.strftime("%Y%m%d").astype('float64')

我究竟做錯了什么？:(

編輯：我雖然教程中的編碼器功能正在規范化資料，但事實并非如此。有沒有其他你知道的教程可以更好地指導我？丟失問題已修復！（由于歸一化）

uj5u.com熱心網友回復：

您似乎對模型的組件感到非常困惑。

二元交叉熵是一種分類損失，你的問題是回歸->使用 MSE。同樣“準確性”對回歸沒有意義，也將其更改為 MSE。
你的資料是巨大的，因此你的損失是巨大的。你在資料中有一個價格113109.14，如果你的模型最初是壞的并且說 0 怎么辦？你損失了 ~100,000^2 = 10,000,000,000。標準化您的資料，在您的情況下 - 輸出變數（目標，價格）在 -1 和 1 之間
在某些用例中，輸出神經元應該具有激活函式，但除非您知道為什么要這樣做，否則將其保留為線性是更安全的選擇。
Dropout 是一種規范模型的方法，不要從擁有它開始，始終從最簡單的模型開始，并確保在嘗試最大化測驗分數之前可以學習。
神經網路不會外推，以原始格式輸入不斷增長的信號（日期）幾乎肯定會導致問題。

轉載請註明出處，本文鏈接：https://www.uj5u.com/shujuku/479249.html

標籤：Python 张量流机器学习喀拉斯深度学习

上一篇：Angular的模板驅動表單重置無法使用組件類

下一篇：ValueError：圖層“sequential_13”的輸入0與圖層不兼容：預期形狀=（無，21367，9000），找到形狀=（無，9000）