增强周期性数据的机器学习模型答案

【问题标题】：Enhance a Machin Learning model for periodic data增强周期性数据的机器学习模型
【发布时间】：2020-03-10 15:17:18
【问题描述】：

我正在通过 TensorFlow (tfjs) 学习机器学习。
我的第一个测试是训练我的模型来预测 cos(x) 作为 x 的函数（从 0 到 2*Math.PI*4 aka 4 个周期）

特征：2000 个 x 值（随机）
label: cos(x) 的 2000 个值

型号：

const model = tf.sequential({
    layers: [
        tf.layers.dense({ inputShape: [1], units: 22, activation: 'tanh' }),
        tf.layers.dense({ units: 1 }),
    ]
});

model.compile({
    optimizer: tf.train.adam(0.01),
    loss: 'meanSquaredError',
    metrics: ['mae']
});

...

await model.fit(feature, label, {
    epochs: 500,
    validationSplit: 0.2,
})

结果相当“有趣”：

现在我想知道如何增强我的模型以适应 cos(x) 的周期性（不使用 cos(x) 的数学周期性，例如 y = cos(x modulo 2PI)）。
我的模型是否有可能“理解”存在周期性？

【问题讨论】：

标签： tensorflow machine-learning keras tfjs-node

【解决方案1】：

我认为您构建的网络太小而无法学习余弦函数的周期性行为（尝试增加隐藏单元的数量和/或添加隐藏层），我也不认为是常规的（完全连接的神经network) 是正确的选择，如果您想学习具有周期性顺序性质的函数，请尝试为此使用 RNN 或 LSTM。

【讨论】：