用keras神经网络逼近多维输出函数

Question

作为我研究项目的一部分，我想尝试使用Keras神经网络来近似函数f:R^m -> R^n（我对它是全新的）。网络似乎正在学习到某种程度（确实不令人满意）。但网络的预测与预期结果一点也不相似。你知道吗

我有两个numpy数组，其中包含训练数据（函数的m维输入）和训练标签（函数的n维预期输出）。我使用它们来训练我的Keras模型（见下文），这似乎是在学习提供的数据。你知道吗

inputs = Input(shape=(m,))
hidden = Dense(100, activation='sigmoid')(inputs)
hidden = Dense(80, activation='sigmoid')(hidden)
outputs = Dense(n, activation='softmax')(hidden)

opti = tf.keras.optimizers.Adam(lr=0.001)

model = Model(inputs=inputs, outputs=outputs)
model.compile(optimizer=opti,
             loss='poisson',
             metrics=['accuracy'])

model.fit(training_data, training_labels, verbose = 2, batch_size=32, epochs=30)

当我用一组测试数据和一组测试标签调用模型上的evaluate方法时，我得到了50%以上的明显准确率。然而，当我使用预测方法时，网络的预测结果与预期结果一点也不相似。例如，预期输出的前10个条目是：

[0., 0.08193582, 0.13141066, 0.13495408, 0.16852582, 0.2154705 , 0.30517559, 0.32567417, 0.34073457, 0.37453226]

而预测结果的前十项是：

[3.09514281e-09, 2.20849714e-03, 3.84095078e-03, 4.99367528e-03,
6.06226595e-03, 7.18442770e-03, 8.96730460e-03, 1.03423093e-02, 1.16029680e-02, 1.31887039e-02]

这与我使用的指标有关吗？结果是否可以通过Keras以某种不间断的方式标准化？对于我想解决的问题，我是不是使用了错误的模型？“准确性”到底是什么意思？ 提前谢谢你的帮助，我是神经网络的新手，已经被这个问题困扰了好几天了。你知道吗

Answer 1

这条线出了问题

outputs = Dense(n, activation='softmax')(hidden)

我们只在分类问题中使用softmax激活，在分类问题中我们需要一个类的概率分布作为网络的输出。因此softmax makes确保输出和为1且不为零（这在您的情况中是正确的）。但我不认为你手头的问题是一个分类任务，你只是试图预测10个连续的目标变量，所以用linear激活函数代替。所以把上面这行改成这样

outputs = Dense(n, activation='linear')(hidden)

希望这有帮助！你知道吗