使用 Keras 将平滑多维函数逼近到 1e-4 的误差

Question

我正在尝试使用 Keras 逼近一个函数，该函数将五个输入平滑地映射到一个概率，但似乎已经达到了极限。在这里（Keras Regression to approximate function (goal: loss < 1e-7)）针对十维函数提出了类似的问题，我发现那里提出的架构，即：

model = Sequential()

model.add(Dense(128,input_shape=(5,), activation='tanh'))

model.add(密集(64,activation='tanh'))

model.add(Dense(1,activation='sigmoid'))

model.compile(optimizer='adam', loss='mae')

给了我最好的结果，当批大小为 1000 时，在我的验证数据上收敛到大约 7e-4 的最佳损失。添加或删除更多的神经元或层似乎会降低准确性。 Dropout 正则化也会降低准确性。我目前正在使用 1e7 训练样本，需要两天时间才能生成（因此希望近似这个函数）。我想将 mae 降低另一个数量级，有没有人有任何建议如何做到这一点？

Answer 1

我建议使用 keras 回调 ReduceLROnPlateau，文档在 [这里][1] 和 ModelCheckpoint，文档在 [这里][2]。首先，将其设置为监控验证损失，如果在固定数量（耐心）的连续 epoch 之后损失未能减少，它将降低学习率一个因子（因子）。其次，还要监控验证损失并将具有最低验证损失的模型的权重保存到目录中。训练后加载权重并使用它们对测试集进行评估或预测。我的代码实现如下所示。

checkpoint=tf.keras.callbacks.ModelCheckpoint(filepath=save_loc, monitor='val_loss', verbose=1, save_best_only=True,
        save_weights_only=True, mode='auto', save_freq='epoch', options=None)
lr_adjust=tf.keras.callbacks.ReduceLROnPlateau( monitor="val_loss", factor=0.5, patience=1, verbose=1, mode="auto",
        min_delta=0.00001,  cooldown=0,  min_lr=0)
callbacks=[checkpoint, lr_adjust]
history = model.fit_generator( train_generator, epochs=EPOCHS,
          steps_per_epoch=STEPS_PER_EPOCH,validation_data=validation_generator,
          validation_steps=VALIDATION_STEPS, callbacks=callbacks)
model.load_weights(save_loc) # load the saved weights
# after this use the model to evaluate or predict on the test set.
# if you are satisfied with the results you can then save the entire model with
model.save(save_loc)


  [1]: https://keras.io/api/callbacks/reduce_lr_on_plateau/
  [2]: https://keras.io/api/callbacks/model_checkpoint/