python keras神經網絡預測不起作用（輸出0或1）

Question

我已經用keras創建了一個神經網絡來預測加法。 我有2個輸入和1個輸出（將2個輸入相加的結果）。

我用張量流訓練了我的神經網絡，然后嘗試預測加法，但是程序返回0或1值，而不是3,4,5,etc 。

這是我的代碼：

from keras.models import Sequential
from keras.layers import Dense
import numpy
# fix random seed for reproducibility
seed = 7
numpy.random.seed(seed)
# load dataset
dataset = numpy.loadtxt("data.csv", delimiter=",")
# split into input (X) and output (Y) variables
X = dataset[:,0:2]
Y = dataset[:,2]
# create model
model = Sequential()
model.add(Dense(12, input_dim=2, init='uniform', activation='relu'))
model.add(Dense(2, init='uniform', activation='relu'))
model.add(Dense(1, init='uniform', activation='sigmoid'))
# Compile model
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
# Fit the model
model.fit(X, Y, epochs=150, batch_size=10,  verbose=2)



# calculate predictions
predictions = model.predict(X)
# round predictions
rounded = [round(x[0]) for x in predictions]
print(rounded)

還有我的文件data.csv ：

1,2,3
3,3,6
4,5,9
10,8,18
1,3,4
5,3,8

例如：

1+2=3
3+3=6
4+5=9
...etc.

但是我得到的是輸出： 0,1,0,0,1,0,1...為什么我沒有得到輸出為3,6,9... ？

我更新了代碼以使用其他損失函數，但我有同樣的錯誤：

from keras.models import Sequential
from keras.layers import Dense
import numpy
# fix random seed for reproducibility
seed = 7
numpy.random.seed(seed)
# load pima indians dataset
dataset = numpy.loadtxt("data.csv", delimiter=",")
# split into input (X) and output (Y) variables
X = dataset[:,0:2]
Y = dataset[:,2]
# create model
model = Sequential()
model.add(Dense(12, input_dim=2, init='uniform', activation='relu'))
model.add(Dense(2, init='uniform', activation='relu'))
#model.add(Dense(1, init='uniform', activation='sigmoid'))
model.add(Dense(1, input_dim=2, init='uniform', activation='linear'))

# Compile model
#model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
model.compile(loss='mean_squared_error', optimizer='adam', metrics=['accuracy'])
# Fit the model
model.fit(X, Y, epochs=150, batch_size=10,  verbose=2)



# calculate predictions
predictions = model.predict(X)
# round predictions
rounded = [round(x[0]) for x in predictions]
print(rounded)

outout = 1,1,1,3,1,1，...等

Answer 1

如@ebeneditos所述，您需要將最后一層的激活功能更改為S型以外的其他功能。 您可以嘗試將其更改為線性。

model.add(Dense(1, init='uniform', activation='linear'))

您還應該將損失函數更改為均方誤差，因為您的問題更多的是回歸問題而不是分類問題（binary_crossentropy用作二進制分類問題的損失函數）

model.compile(loss='mean_squared_error', optimizer='adam', metrics=['accuracy'])

Answer 2

這是由於您在最后一層具有Sigmoid函數 。 根據定義：

它只能接受0到1之間的值。您應該更改最后一層的激活功能。

您可以嘗試以下方法（用Dense(8)代替Dense(2) ）：

# Create model
model = Sequential()
model.add(Dense(12, input_dim=2, init='uniform', activation='relu'))
model.add(Dense(8, init='uniform', activation='relu'))
model.add(Dense(1, init='uniform', activation='linear'))

# Compile model
model.compile(loss='mean_squared_error', optimizer='adam', metrics=['accuracy'])

# Fit the model
model.fit(X, Y, epochs=150, batch_size=10,  verbose=2)