Tensorflow.js 预测的上限好像是1？答案

【问题标题】：Tensorflow.js prediction seems to have an upper limit of 1?Tensorflow.js 预测的上限好像是1？
【发布时间】：2018-08-06 20:16:04
【问题描述】：

我正在玩一些 tensorflow 代码，这些代码是从一个预测鲜花数据的 youtube 教程中获得的。这是脚本（训练数据分配给变量“iris”，测试数据分配给变量“irisTesting”：

const trainingData = tf.tensor2d(iris.map(item => [
    item.sepal_length, item.petal_length, item.petal_width,
]));
const outputData = tf.tensor2d(iris.map(item => [
    item.species === "setosa" ? 1 : 0,
    item.species === "virginica" ? 1 : 0,
    item.species === "versicolor" ? 1 : 0,
    item.sepal_width
]));
const testingData = tf.tensor2d(irisTesting.map(item => [
    item.sepal_length, item.petal_length, item.petal_width
]));

const model = tf.sequential();

model.add(tf.layers.dense({
    inputShape: [3],
    activation: "sigmoid",
    units: 5,
}));
model.add(tf.layers.dense({
    inputShape: [5],
    activation: "sigmoid",
    units: 4,
}));
model.add(tf.layers.dense({
    activation: "sigmoid",
    units: 4,
}));
model.compile({
    loss: "meanSquaredError",
    optimizer: tf.train.adam(.06),
});
const startTime = Date.now();
model.fit(trainingData, outputData, {epochs: 100})
    .then((history) => {
         //console.log(history);
        console.log("Done training in " + (Date.now()-startTime) / 1000 + " seconds.");
        model.predict(testingData).print();
    });

当控制台打印预测的 sepal_width 时，它的上限似乎为 1。训练数据的 sepal_width 值远大于 1，但这是记录的数据：

Tensor
    [[0.9561102, 0.0028415, 0.0708825, 0.9997129],
     [0.0081552, 0.9410981, 0.0867947, 0.999761 ],
     [0.0346453, 0.1170913, 0.8383155, 0.9999373]]

最后（第四）列将是预测的sepal_width 值。预测值应该大于 1，但似乎有什么东西阻止了它大于 1。

这是原始代码： https://gist.github.com/learncodeacademy/a96d80a29538c7625652493c2407b6be

【问题讨论】：

标签： javascript tensorflow neural-network tensorflow.js

【解决方案1】：

您在最后一层使用 sigmoid 激活函数来预测 sepal_width。 Sigmoid 是介于 0 和 1 之间的连续函数。请参阅 Wikipedia 以获得更详尽的说明。

如果你想预测sepal_width，你应该尝试使用不同的激活函数。有关可用激活函数的列表，您可以查看Tensorflow's API page（这是针对 Python 版本的，但它应该与 JavaScript 版本类似）。您可以尝试'softplus'、'relu' 甚至'linear'，但我不能说这些是否适合您的应用程序。尝试并试验，看看哪个是最好的。

【讨论】：

【解决方案2】：

here 的原始代码解决了一个分类问题。在outputData 中添加item.sepal_width 没有意义，因为它不是另一个类。

【讨论】：

【解决方案3】：

你最后一层的激活函数是sigmoid。

Sigmoid 函数如下所示：

source

正如你所看到的，它被限制在 0 到 1 的范围内。所以如果你想要其他输出值，你需要相应地调整你的最后一个激活函数。

【讨论】：