【问题标题】:Why my customized neural network not work, and with high MAE为什么我的定制神经网络不起作用,并且 MAE 高
【发布时间】:2019-08-16 20:50:37
【问题描述】:

这是一个使用 DNN 估计收入的回归问题。
网络如下图所示:

The network struct picture

右分支是一个全连接的神经网络,它的结果意味着有效率。
左分支是每个样本的已知变量,表示在线时间。
目前,我只想学习网络的正确分支。网络代码如下所示:

def neural_net(x, hours):
    layer_1 = tf.nn.relu(tf.add(tf.matmul(x, weights_h1), biases_h1))
    layer_2 = tf.nn.relu(tf.add(tf.matmul(layer_1, weights_h2), biases_h2))
    efficient_out_layer = tf.nn.relu(tf.add(tf.matmul(layer_2, weights_out), biases_out))
    delta_efficient = tf.add(efficient_out_layer, 1)
    delta_online_hours = tf.add(hours, 1)
    out_layer = tf.multiply(delta_online_hours, delta_efficient)
    return out_layer    

但是mae非常高。 当我不使用左分支,只使用dnn估计结果时,mae偏低。

我想知道我的网络有什么问题,以及为什么左分支乘以右分支的训练网络会扩大mae,谢谢。

【问题讨论】:

    标签: tensorflow neural-network deep-learning regression


    【解决方案1】:

    如果您无法弄清楚x 的确切含义,那么将x 乘以正确网络的输出是没有意义的。变量x 可能是您的样本的一个特征。如果是这样,您最好将其输入到具有其他特征的正确网络中,而不是简单地将其乘以输出。

    【讨论】:

    • 感谢您的回答。左分支的“x”确实是一个特征,表示工人的工作时间。右分支意味着工作效率,我添加了工人平均工作效率的损失以减少右分支的损失。
    猜你喜欢
    • 1970-01-01
    • 2021-12-30
    • 2012-07-25
    • 2019-04-08
    • 1970-01-01
    • 1970-01-01
    • 2018-01-26
    • 2021-12-12
    • 1970-01-01
    相关资源
    最近更新 更多