如何使用我的keras TensorFlow模型减少损失？

Question

因此，我有一个大约140,000个样本的数据集，其中有5个输入，汽车的速度，汽车的加速度，领先汽车的雷达速度，领头车的距离以及领头车的加速度。 输出从0到1,0最大制动，1是最大加速。

我是神经网络的初学者，所以我无法优化我的模型以获得这些数据的最佳准确度/损失。 我一直在尝试更改优化器，激活功能，隐藏层数，层中节点数等，但似乎没有什么能够降低一段时间内的损失。

这是我目前的型号：

opt = keras.optimizers.Adam(lr=0.001, decay=1e-6)
model = Sequential()
model.add(Dense(5, activation="tanh", input_shape=(x_train.shape[1:])))
for i in range(40):
    model.add(Dense(60, activation="relu"))
model.add(Dense(1))

我现在不太担心过度拟合我的数据，因为我可以稍后再努力，我只是想基本记住数据，看看我能获得多少损失，只是为了看看我是否可以改进它。 并预测经过培训的数据，以确保它能够返回正确的输出。 然而，我得到的最低验证损失约为0.015 ，这绝对不会在我的测试中返回当前输出，它的准确率约为90％。

有什么我做错了吗？ 我应该增加我的模型大小，还是减少它？ 我尝试过的任何东西似乎都没有用。 我还确保将我的5个输入和1个输出正常化。 似乎它在几个时代之后永远不会学到任何东西。

谢谢，如果有人决定帮我解决这个非常具体的问题。

Answer 1

我想帮忙，但那里没有太多的信息。

首先，网络的目标是什么？ 这很难说，你想减少损失什么。 你的损失功能是什么？ 你的标签是什么？ 这似乎是一个经典的强化学习问题，而不是传统的监督学习问题。 数据结构如何？ 我假设他们以某种得分“跑”了？

一个毯子的东西，这可能是太多的层次。

大部分时间使用网络最大的改进来自清理数据（我们认为这很好）并且弄乱你的损失功能。 最好先从一个简单的模型开始，然后弄清楚是否需要更多。

还有这个，这是强化学习，但它是一个很好的例子https://github.com/lexfridman/deeptraffic