在 keras 时代，精度下降答案

【问题标题】：Accuracy goes down during epoch keras在 keras 时代，精度下降
【发布时间】：2017-07-04 08:13:49
【问题描述】：

我尝试编写一个神经网络，但每个时期的准确性都不会改变。我正在使用 keras，我可以观察到每个 epoch 本身评估时的精度变化，它会从低开始，上升一点，然后每次example output 回落到完全相同的值。我试过改变批量大小、学习率、稍微改变数据，但每次都做同样的事情，只是可能有不同的准确度值。我也尝试过不同的优化器。任何帮助表示赞赏。（我也能够让一个 mnist 示例工作）

model = Sequential()
model.add(Dense(1000, input_dim=100, init='uniform', activation='relu'))
model.add(Dense(len(history), init='uniform', activation='relu'))
model.add(Dense(1, init='uniform', activation='sigmoid'))
opt = SGD(lr=1, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss='binary_crossentropy', optimizer=opt, metrics=['accuracy'])
model.fit(X, Y, nb_epoch=100, batch_size=50, verbose = 1)
scores = model.evaluate(X, Y)
print("%s: %.2f%%" % (model.metrics_names[1], scores[1]*100))

【问题讨论】：

标签： neural-network python-3.5 keras floating-accuracy loss

【解决方案1】：

由于您的输出层中只有一个神经元，我假设您正在进行回归而不是分类。

如果是这种情况，那么您应该将损失函数更改为 'mse'，并且您还应该删除输出层中的激活，因为 sigmoid 函数会将您的输出压缩在 0 和 1 之间。

【讨论】：