多元 LSTM 预测损失和评估

Question

我有一个用于时间序列回归问题的带有双向 LSTMS 的 CNN-RNN 模型架构。我的损失不会超过 50 个 epoch。每个 epoch 有 20k 个样本。损失在 0.001 - 0.01 之间不断波动。

batch_size=1
epochs = 50
model.compile(loss='mean_squared_error', optimizer='adam')   
trainingHistory=model.fit(trainX,trainY,epochs=epochs,batch_size=batch_size,shuffle=False)

1. 我尝试使用配对不正确的 X 和 Y 数据来训练模型， loss 保持在 0.5 左右，我的 X 和 Y 是否合理的结论 有一个非线性关系，我的模型可以学习 更多纪元？
2. 我的模型的预测捕获了模式，但有偏移，我使用动态时间扭曲距离手动检查预测的准确性，有没有更好的方法？

型号：

model = Sequential()
model.add(LSTM(units=128, dropout=0.05, recurrent_dropout=0.35, return_sequences=True, batch_input_shape=(batch_size,featureSteps,input_dim)))
model.add(LSTM(units=32, dropout=0.05, recurrent_dropout=0.35, return_sequences=False))
model.add(Dense(units=2, activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer=opt, metrics=['accuracy'])

Answer 1

如果你测试过：

• 错误数据：损失 ~0.5
• 正确数据：损失 ~0.01

那么你的模型实际上可以学习一些东西。

有一些可能性：

1. 您的输出数据不在最后一层激活的范围内
2. 您的模型达到了当前学习率的限制（梯度更新步骤太大，无法再改进模型）。
3. 您的模型不足以完成这项任务。
4. 您的数据有一定程度的随机因素

案例 1：

确保您的Y 在您上次激活函数的范围内。

• 对于tanh（LSTM 的默认值），所有 Y 数据应介于 -1 和 + 1 之间
• 对于sigmoid，介于 0 和 1 之间
• 对于softmax，介于 0 和 1 之间，但请确保您的最后一个维度不是 1，否则所有结果将始终为 1。
• 对于relu，介于 0 和无穷大之间
• 对于linear，任何值

如果您的激活有限而不是无限激活，则收敛会更好。
在第一种情况下，你可以重新编译（训练后）学习率较低的模型，通常我们将其除以 10，其中默认为0.0001：

案例 2：

如果数据正常，请尝试在模型停滞后降低学习率。

adam的默认学习率是0.0001，我们经常把它除以10：

from keras.optimizers import Adam

#after training enough with the default value: 
model.compile(loss='mse', optimizer=Adam(lr=0.00001)
trainingHistory2 = model.fit(.........)

#you can even do this again if you notice that the loss decreased and stopped again:
model.compile(loss='mse',optimizer=Adam(lr=0.000001)

如果问题出在学习率上，这将使您的模型学得比现在更多（一开始可能会有一些困难，直到优化器自行调整）。

案例 3：

如果你没有成功，也许是时候增加模型的能力了。 也许向层添加更多单元，添加更多层甚至更改模型。

案例 4：

您可能对此无能为力...

但是，如果您像案例 3 那样增加模型，请小心过度拟合（保留一些测试数据以比较测试损失与训练损失）。

太好的模型可以简单地记住您的数据，而不是学习有关它的重要见解。