用于解决 c = a1-a2 问题的简单神经网络的 python 代码不起作用

Question

我是 python 和神经网络的新手，因此我将不胜感激。试图弄清楚如何制作这个计算 c = a1 - a2 的简单神经网络，但不确定从哪里开始，因为不需要偏差项，如果 a=[(1,0),(0,0),(0 ,1)] 那么我如何计算每个元组的 c ？或者找到张量的权重？

training_data = np.array([[1,0],[0,0],[0,1]], "float32")
target_data = np.array([[1],[0],[-1]], "float32")

print("input : " + str(training_data))
print("output : " + str(target_data))

model = models.Sequential()
model.add(layers.core.Dense(16, input_dim=2, activation='relu'))
model.add(layers.core.Dense(1, activation='sigmoid'))
model.compile(loss='mean_squared_error',
    optimizer='adam',
    metrics=['accuracy'])
model.fit(training_data, target_data, epochs=100)
scores = model.evaluate(training_data, target_data)
print("\n%s: %.2f%%" % (model.metrics_names[1], scores[1]*100))
print (model.predict(training_data).round())

这就是我所拥有的，但其准确性（~33%）非常低，不确定我错过了什么

Answer 1

这里有多个问题。

1. 您正在使用 sigmoid 输出函数，但您的目标包括负数。您的模型无法工作，因为 sigmoid 将输出限制为 [0, 1]。一般来说，您必须考虑数据范围以及合适的输出函数是什么。在这里，只需在输出层中使用no激活。
2. 准确性对于回归任务来说毫无意义，因为它只会在完全相等的情况下才算匹配。准确度仅用于分类任务。因此，完全忽略准确性，只查看平方误差/损失。
3. 你只是训练的时间不够长。我增加到1000步。
4. 请注意，您的目标函数是线性的，因此您甚至不需要隐藏层（但这也没有什么坏处）。

使用此代码：

training_data = np.array([[1,0],[0,0],[0,1]], "float32")
target_data = np.array([[1],[0],[-1]], "float32")

print("input : " + str(training_data))
print("output : " + str(target_data))

model = models.Sequential()
model.add(layers.Dense(16, input_dim=2, activation='relu'))
model.add(layers.Dense(1))
model.compile(loss='mean_squared_error',
    optimizer='adam',
    metrics=['accuracy'])
model.fit(training_data, target_data, epochs=1000)
scores = model.evaluate(training_data, target_data)
print("\n%s: %.2f%%" % (model.metrics_names[1], scores[1]*100))
print (model.predict(training_data))

我得到输出 [[ 1.0008523 ], [-0.00198349], [-0.99906766]]。

请注意，对您问题的评论是不正确的，您应该期望神经网络在小型训练集上表现得很好 - 如果不是，则您的模型和/或训练过程可能存在问题。