神经网络生成负值

Question

我有一个数据集X，由均值和标准差组成，重复5次，所以数组中有10列

而Y由范围组成：

示例：

0 到 20
20 到 40
40 到 60
60 到 80
80 到 100

为了将值转换为 0 和 1，每个元素除以其列的最高出现次数，这适用于 X 和 Y

Objective：使X和Y生成接下来的60个值

X = blocks of 60 values

Y = The next 30 values of each block

问题：由于某种原因我得到负值，看起来我的神经网络出现故障

X:

[[0.573 0.699 0.412 0.224 0.696 0.512 0.326 0.314 0.79  0.685]
 [0.456 0.251 0.629 0.523 0.344 0.286 0.8   0.699 0.721 1.   ]
 ...
 [0.229 0.148 0.683 0.624 0.222 0.146 0.687 0.732 0.296 0.184]
 [0.646 0.627 0.204 0.152 0.542 0.632 0.36  0.224 0.291 0.215]]

Y:

[[1.    0.5   0.    0.    0.   ]
 [1.    0.5   0.    0.    0.   ]
 ...
 [1.    0.5   0.    0.    0.   ]
 [1.    0.5   0.    0.    0.   ]]

脚本：

model = keras.Sequential(
    [
        layers.Dense(10, activation="sigmoid", name="hidden-input"),
        layers.Dense(5, name="output"),
    ]
)

model.compile(optimizer = 'Adam', loss = 'mse', metrics = ['mae'])

model.fit(X, Y, epochs = 20, batch_size = 10)
print(model.summary())

y = model.predict(X)

总结：

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
hidden-input (Dense)         multiple                  110       
_________________________________________________________________
output (Dense)               multiple                  55        
=================================================================
Total params: 165
Trainable params: 165
Non-trainable params: 0

火车：

Epoch 1/20
48/48 [==============================] - 0s 2ms/sample - loss: 0.3500 - mean_absolute_error: 0.4904
...
Epoch 20/20
48/48 [==============================] - 0s 178us/sample - loss: 0.0283 - mean_absolute_error: 0.1172

输出：

[[ 8.6036199e-01  4.6452054e-01  1.3958054e-02 -2.3673278e-01 3.2733783e-02]
 [ 9.7470945e-01  4.6182287e-01  6.4254209e-02 -2.0704785e-01 -2.0927802e-02]
  ...
 [ 7.7844203e-01  4.5801651e-01 -2.5306268e-02 -2.8805625e-01 4.5798883e-02]]

Answer 1

你得到负输出是因为你没有在最后一层指定激活，这意味着默认情况下它设置为 None 这是线性激活函数所以得到负输出的概率不为零。

在第一层你选择了sigmoid作为激活函数所以无论输入是什么它都会产生正值，然后负数来自连接第一层和第二层的权重，它们应该有负权重，并且通过合适的输入它可以产生负数。

神经网络生成负值

Neural Network generating negative values

python

keras

neural-network

sequential