用于多标签回归的 keras 神经网络中的未知问题（S）

Question

我是神经网络和 keras 的新手，在使用我的真实数据之前尝试确保一切正常。

所以这里是一个有 1000 个样本、三个输入和三个输出的神经网络

X.csv 包含：（索引重复三遍）

1,1,1

2,2,2

直到 1000,1000,1000

Y.csv 包含三个标签：(index,the index*5,he index/5)

1,5,0.2

2,10,0.4

直到 1000,5000,200

random.seed(42)
X = np.genfromtxt(r'C:\Users\boss\Desktop\X.csv' , delimiter=',')
y = np.genfromtxt(r'C:\Users\boss\Desktop\Y.csv' , delimiter=',')
y1,y2,y3 = y[:, 0:1],y[:, 1:2],y[:, 2:]
X_train, X_test, y1_train, y1_test, y2_train, y2_test, y3_train, y3_test = train_test_split(X, y1,y2,y3, test_size =0.3, random_state = 0)
X_train = sc.fit_transform(X_train)
X_test = sc.transform(X_test)

inp = Input((3,)) 
x = Dense(10, activation='relu')(inp)
x = Dense(10, activation='relu')(x)
x = Dense(10, activation='relu')(x)
out1 = Dense(1,  activation='linear')(x)
out2 = Dense(1,  activation='linear')(x)
out3 = Dense(1,  activation='linear')(x)

model = Model(inputs=inp, outputs=[out1,out2,out3])
model.compile(optimizer = "adam", loss = 'mse')
model.fit(x=X_train, y=[y1_train,y2_train,y3_train], batch_size=100, epochs=10, verbose=1, validation_split=0.3,  shuffle=True)            

#plot predicted data vs real data
y_pred = model.predict(X_test)
plt.plot(y1_test, color = 'red', label = 'Real data')
plt.plot(y_pred[0], color = 'blue', label = 'Predicted data')
plt.title('y1')
plt.legend()
plt.show()

plt.plot(y2_test, color = 'red', label = 'Real data')
plt.plot(y_pred[1], color = 'blue', label = 'Predicted data')
plt.title('y2')
plt.legend()
plt.show()

plt.plot(y3_test, color = 'red', label = 'Real data')
plt.plot(y_pred[2], color = 'blue', label = 'Predicted data')
plt.title('y3')
plt.legend()
plt.show()

不幸的是，损失和验证损失都很大（数百万） 另一个问题是，尽管使用了随机种子，但每次结果都不同

Answer 1

高损失的一个可能原因是 epoch 数量少——只有 10 个很少能得到好的结果。尝试 100、1000 等，看看结果如何改善。

对于可重现的随机数生成，您还需要为 Numpy 和 TensorFlow 指定种子（如果您使用的是 TensorFlow 后端，这是默认设置）。这是this article给出的例子：

from numpy.random import seed
seed(1)
from tensorflow import set_random_seed
set_random_seed(2)