我有一个数据集 C，包含 50,000 个（二进制）样本，每个样本有 128 个特征。类标签也是二进制的，可能是 1 或 -1。例如，一个样本看起来像这样 [1,0,0,0,1,0, .... , 0,1] [-1]。我的目标是根据二进制类别（即，1 或 -1）对样本进行分类。我考虑尝试使用循环 LSTM 来生成一个用于分类的好模型。为此，我使用 Keras 库编写了以下代码：
tr_C, ts_C, tr_r, ts_r = train_test_split(C, r, train_size=.8)batch_size = 200print('>>> Build STATEFUL model...')model = Sequential()model.add(LSTM(128, batch_input_shape=(batch_size, C.shape[1], C.shape[2]), return_sequences=False, stateful=True))model.add(Dense(1, activation='softmax'))print('>>> Training...')model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])model.fit(tr_C, tr_r, batch_size=batch_size, epochs=1, shuffle=True, validation_data=(ts_C, ts_r))然而，我的准确率很差，不超过55%。我尝试更改激活函数和损失函数，希望提高准确率，但没有任何效果。令人惊讶的是，当我使用多层感知器时，准确率非常高，约为97%。因此，我开始质疑LSTM是否可以用于分类，或者我的代码是否缺少某些东西或有错误。请问代码是否有缺陷或错误，以提高准确率。任何帮助或建议都将不胜感激。
回答：
当你只有一个输出单元时，不能使用 softmax 作为输出，因为它总是会输出常数值 1。你需要将输出激活函数更改为 sigmoid，或者将输出单元数设置为 2 并将损失函数设置为 categorical_crossentropy。我建议选择第一种方案。
