在Keras的零准确性训练神经网络

Question

我在Keras的训练神经网络的回归问题。 为什么输出只有一个尺寸，每个Epoch的精度始终显示acc：0.0000e + 00？

这样子：

1000/199873 [..............................] - ETA：5s - 损失：0.0057 - acc：0.0000e + 00

2000/199873 [..............................] - ETA：4s - 损失：0.0058 - acc：0.0000e + 00

3000/199873 [........................... ...] - ETA：3s - 损失：0.0057 - acc：0.0000e + 00

4000/199873 [....................... .......] - ETA：3s - 损失：0.0060 - acc： 0.0000e + 00 ...

198000/199873 [============================>。] - ETA：0s - 损失：0.0055 - acc：0.0000e + 00

199000/199873 [============================>。] - ETA ：0s - 损失：0.0055 - acc：0.0000e + 00

199873/199873 [============================= =] - 4S - 损失：0.0055 - ACC：0.0000E + 00 - val_loss：0.0180 - val_acc：0.0000E + 00

历元50/50

但是，如果输出是两个维度或以上，准确性没有问题。

我的模型如下：`

input_dim = 14 
batch_size = 1000 
nb_epoch = 50 
lrelu = LeakyReLU(alpha = 0.1) 

model = Sequential() 
model.add(Dense(126, input_dim=input_dim)) #Dense(output_dim(also hidden wight), input_dim = input_dim) 
model.add(lrelu) #Activation 

model.add(Dense(252)) 
model.add(lrelu) 
model.add(Dense(1)) 
model.add(Activation('linear')) 

model.compile(loss= 'mean_squared_error', optimizer='Adam', metrics=['accuracy']) 
model.summary() 
history = model.fit(X_train_1, y_train_1[:,0:1], 
        batch_size=batch_size, 
        nb_epoch=nb_epoch, 
        verbose=1, 
        validation_split=0.2) 

loss = history.history.get('loss') 
acc = history.history.get('acc') 
val_loss = history.history.get('val_loss') 
val_acc = history.history.get('val_acc') 

'''saving model''' 
from keras.models import load_model 
model.save('XXXXX') 
del model 

'''loading model''' 
model = load_model('XXXXX') 

'''prediction''' 
pred = model.predict(X_train_1, batch_size, verbose=1) 
ans = [np.argmax(r) for r in y_train_1[:,0:1]] 

Answer 1

的问题是，最终模型输出具有线性激活，使得模型回归，而不是一个分类问题。当模型根据分类正确分类数据时，“准确性”被定义，但由于其连续属性，对于回归问题没有定义“准确性”。

要么摆脱作为度量标准的准确性并切换到完全回归，要么使用loss='categorical_crossentropy'和activation='softmax'将问题归为分类问题。

这是一个类似的问题对你：Link

欲了解更多信息，请参阅：StackExchange

Answer 2

我不知道你的问题是什么，但你的模型看起来有点怪我。

这是您的模型：

lrelu = LeakyReLU(alpha = 0.1) 
model = Sequential() 
model.add(Dense(126, input_dim=15)) #Dense(output_dim(also hidden wight), input_dim = input_dim) 
model.add(lrelu) #Activation 

model.add(Dense(252)) 
model.add(lrelu) 
model.add(Dense(1)) 
model.add(Activation('linear')) 

和模型的可视化如下所示：

有两层可以是模型的输出层，而你并没有决定哪一个是你的实际输出层。我想这就是你无法做出正确预测的原因。

如果你想实现你的模型是这样，

你应该独立添加您激活层，而不是使用同一个。

例如，

model = Sequential() 
model.add(Dense(126, input_dim=15)) #Dense(output_dim(also hidden wight), input_dim = input_dim) 
model.add(LeakyReLU(alpha = 0.1)) #Activation 

model.add(Dense(252)) 
model.add(LeakyReLU(alpha = 0.1)) 
model.add(Dense(1)) 
model.add(Activation('linear'))