Multivariate LSTM Forecast Loss 和评估

Question

我有一个 CNN-RNN 模型架构，带有用于时间序列回归问题的双向 LSTMS。我的损失不会收敛超过 50 个时期。每个时期有 20k 个样本。损失在 0.001 - 0.01.

之间不断波动

batch_size=1
epochs = 50
model.compile(loss='mean_squared_error', optimizer='adam')   
trainingHistory=model.fit(trainX,trainY,epochs=epochs,batch_size=batch_size,shuffle=False)

我尝试使用错误配对的 X 和 Y 数据训练模型损失保持在0.5左右，我的X和Y是否合理具有非线性关系，我的模型可以通过更多纪元？
我的模型的预测捕获了模式但有一个偏移量，我使用动态时间扭曲距离来手动检查预测的准确性，有没有更好的方法？

型号：

model = Sequential()
model.add(LSTM(units=128, dropout=0.05, recurrent_dropout=0.35, return_sequences=True, batch_input_shape=(batch_size,featureSteps,input_dim)))
model.add(LSTM(units=32, dropout=0.05, recurrent_dropout=0.35, return_sequences=False))
model.add(Dense(units=2, activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer=opt, metrics=['accuracy'])

Answer 1

如果您测试过：

错误数据：损失 ~0.5
正确数据：损失~0.01

那么你的模型实际上能够学习一些东西。

那里有一些可能性：

你的输出数据不在最后一层激活的范围内
您的模型达到了当前学习率的极限（梯度更新步长太大，无法再改进模型）。
您的模型不足以完成这项任务。
您的数据具有一定程度的随机因素

案例一：

确保您的 Y 在您上次激活函数的范围内。

对于tanh（LSTM的默认值），所有Y数据应该在-1和+1之间
对于 sigmoid，介于 0 和 1 之间
对于 softmax，介于 0 和 1 之间，但请确保您的最后一个维度不是 1，否则所有结果将始终为 1。
对于 relu，介于 0 和无穷大之间
对于linear，任意值

如果你有一个有限的激活而不是无限大的激活，收敛会更好。
第一种情况，你可以重新编译（训练后）学习率较低的模型，通常我们将其除以 10，其中默认为 0.0001:

案例二：

如果数据没问题，请在模型停滞后尝试降低学习率。

adam默认的学习率是0.0001，我们经常把它除以10：

from keras.optimizers import Adam

#after training enough with the default value: 
model.compile(loss='mse', optimizer=Adam(lr=0.00001)
trainingHistory2 = model.fit(.........)

#you can even do this again if you notice that the loss decreased and stopped again:
model.compile(loss='mse',optimizer=Adam(lr=0.000001)

如果问题出在学习率上，这将使您的模型学到比原来更多的东西（一开始可能会有些困难，直到优化器自行调整）。

案例三：

如果你没有成功，也许是时候增加模型的能力了。也许向图层添加更多单元，添加更多图层甚至更改模型。

案例四：

您可能对此无能为力...

但是如果像案例 3 那样增加模型，请注意过度拟合（保留一些测试数据以比较测试损失与训练损失）。

太好的模型只会记住你的数据，而不是学习关于它的重要见解。

Multivariate LSTM Forecast Loss 和评估

Multivariate LSTM Forecast Loss and evaluation

regression

lstm

keras

rnn