最小化前馈神经网络 tensorflow.js 中的损失

Question

我正在尝试在 tensorflow.js 中创建一个示例前馈神经网络，最初使用一个小数据集（仅用于 POC）。有5个输入节点和1个输出节点。数据与有多个输入的住房相关，我们正在预测价格。

x_train:
[ [ 79545.45857, 5.682861322, 7.009188143, 4.09, 23086.8005 ],
  [ 79248.64245, 6.002899808, 6.730821019, 3.09, 40173.07217 ],
  [ 61287.06718, 5.86588984, 8.51272743, 5.13, 36882.1594 ],
  [ 63345.24005, 7.188236095, 5.586728665, 3.26, 34310.24283 ],
  [ 59982.19723, 5.040554523, 7.839387785, 4.23, 26354.10947 ],
...
] 

y_train
[ [ 1059033.558 ],
  [ 1505890.915 ],
  [ 1058987.988 ],
  [ 1260616.807 ],
  [ 630943.4893 ],
...
]

const model = tf.sequential();
const config_hidden = {
        inputShape: [5],
        activation: 'sigmoid',
        units: 6
    }

const config_output = {
    units: 1,
    activation: 'sigmoid'
}

const hidden = tf.layers.dense(config_hidden);
const output = tf.layers.dense(config_output);

model.add(hidden);
model.add(output);

const optimizer = tf.train.sgd(0.5);

const config = {
    optimizer: optimizer,
    loss: 'meanSquaredError',
    metrics: ['accuracy']
}

model.compile(config);

train_data().then(function () {
    console.log('Training is Complete');
}

async function train_data() {
    const options = {
        shuffle: true,
        epochs: 10,
        batch_size: 100,
        validationSplit: 0.1
    }

    for (let i = 0; i < 10; i++) {
        const res = await model.fit(xs, ys, options);
        console.log(res.history.loss[0]);
    }
}

模型编译正常。但是训练模型的时候loss很大

Model Successfully Compiled
Epoch 1 / 10
eta=0.0 ====================================================================>
1058ms 235us/step - acc=0.00 loss=1648912629760.00 val_acc=0.00 val_loss=1586459705344.00
Epoch 2 / 10
eta=0.0 ====================================================================>
700ms 156us/step - acc=0.00 loss=1648913285120.00 val_acc=0.00 val_loss=1586459705344.00
Epoch 3 / 10
eta=0.0 ====================================================================>
615ms 137us/step - acc=0.00 loss=1648913022976.00 val_acc=0.00 val_loss=1586459705344.00
Epoch 4 / 10
eta=0.0 ====================================================================>
852ms 189us/step - acc=0.00 loss=1648913285120.00 val_acc=0.00 val_loss=1586459705344.00

我想这可能是因为训练数据没有标准化。所以我取了数据的平均值并进行了划分

xs = xs.div(xs.mean(0));

x_train
[[1.1598413, 0.9507535, 1.003062 , 1.0272969, 0.6384002],
     [1.1555134, 1.0042965, 0.9632258, 0.7761241, 1.1108726],
     [0.8936182, 0.9813745, 1.2182286, 1.2885166, 1.0198718],
     ...,

损失变化不大

Model Successfully Compiled
Epoch 1 / 10
eta=0.0 ====================================================================>
841ms 187us/step - acc=0.00 loss=1648912760832.00 val_acc=0.00 val_loss=1586459705344.00
Epoch 2 / 10
eta=0.0 ====================================================================>
613ms 136us/step - acc=0.00 loss=1648913154048.00 val_acc=0.00 val_loss=1586459705344.00
Epoch 3 / 10
eta=0.0 ====================================================================>
646ms 144us/step - acc=0.00 loss=1648913022976.00 val_acc=0.00 val_loss=1586459705344.00

然后我也标准化了输出，

ys = ys.div(1000000);

Model Successfully Compiled
Epoch 1 / 10
eta=0.0 ====================================================================>
899ms 200us/step - acc=0.00 loss=0.202 val_acc=0.00 val_loss=0.161
Epoch 2 / 10
eta=0.0 ====================================================================>
667ms 148us/step - acc=0.00 loss=0.183 val_acc=0.00 val_loss=0.160
Epoch 3 / 10
eta=0.0 ====================================================================>
609ms 135us/step - acc=0.00 loss=0.182 val_acc=0.00 val_loss=0.159

这使损失降到了小数点。然而可以看出，即使对训练数据进行运行 10000 次迭代也不会显着降低损失。例如

Epoch 8 / 10
eta=0.0 ====================================================================>
502ms 112us/step - acc=0.00 loss=0.181 val_acc=0.00 val_loss=0.158
Epoch 9 / 10
eta=0.0 ====================================================================>
551ms 122us/step - acc=0.00 loss=0.181 val_acc=0.00 val_loss=0.158
Epoch 10 / 10
eta=0.0 ====================================================================>
470ms 104us/step - acc=0.00 loss=0.181 val_acc=0.00 val_loss=0.158
0.18076679110527039

最终损失从 0.202 左右开始下降到 0.180 左右。这会导致预测不正确。

这是一个很常见的场景。具有不同范围值的多个输入（例如，上面使用的住房数据）。传递给前馈神经网络的多个输入。预期只有一个输出（在本例中为价格）。

问题： 1.我在上面的代码中做错了什么？ 2. 我是否以正确的方式规范化了数据？ 3. 我使用正确的 loss function/optimizer/learning rate/activation 等吗？ 4.我怎么知道模型是否表现良好 5. 在 tensorflow.js 中还有其他方法可以做到这一点吗？

Answer 1

我假设你没有尝试线性回归，因为 S 形激活。如果您正在尝试线性回归，请移除所有位置的 S 形激活函数。将尝试解决我能看到的所有错误：

从输出中移除 sigmoid 激活函数。 sigmoid 函数将输入压缩到 0 到 1 之间，因此它不适合回归。你的最后一层不需要激活。
你的学习率太高了，所以我怀疑学习算法是否能够收敛。从大约 0.001 - 0.01 等的值开始，并根据需要进行调整。
不，你没有正确规范化。通常，数据被归一化为零平均值和一标准偏差。这是针对每个特征列完成的，仅使用该列的均值和标准差，而不是所有数据。例如特征列x中的i的公式如下：(x_i - x.mean()) / x.std()。（我不知道javascript）
您提供的性能指标 "accuracy" 用于分类，而不是回归，并且将毫无意义（如果提供的话）。最小化均方误差或绝对平方误差是量化模型性能的最佳方式。

最小化前馈神经网络 tensorflow.js 中的损失

minimizing loss in tensorflow.js for feed forward neural network

tensorflow

machine-learning

linear-regression

tensorflow.js