我很喜欢Keras提供的简洁性，但我在配置一个具有多个输出的Keras回归模型时未能成功。
更具体地说，我有一个Keras模型，它消耗具有308列的X值和28个目标Y值。我认为这个模型相当简单，我原本以为它会很快收敛，但实际上并没有。
我在这里只是猜测，但我认为我设置模型的方式有误，正在寻求如何正确配置Keras模型以正常工作的帮助。
数据信息：
行数: 46038我的输入形状: X_train: (46038, 308)我的目标形状: Y_train: (46038, 28)输入（X）是一系列浮点数，代表影响资源分配的值。目标是一系列浮点数（总和为1.0，代表实际分配给特定资源的百分比）。我的目标是基于提供的输入（X）预测资源百分比分配（Y）。因此，我认为这是一个回归问题而不是分类问题（如果我错了，请纠正我）。
样本数据：
X: [100, 200, 400, 600, 32, 1, 0.1, 0.5, 2500...] (308列，超过40000行)Y: [0.333, 0.667, 0.0, 0.0, 0.0, ...]在上面的Y的情况下，这意味着33%（0.333）的资源分配给了第一个资源，67%（0.667）分配给了第二个资源，其余的都为0.0。
模型：
model = Sequential()model.add(Dense(256, input_shape=(308,) ))model.add(Activation('relu'))model.add(Dropout(0.5))model.add(Dense(256, input_shape=(256,)))model.add(Activation('relu'))model.add(Dropout(0.5))model.add(Dense(28))model.compile(loss='mean_squared_error', optimizer='adam')这里有几个具体的问题：
1. 我的模型配置是否能达到我的目标？2. 我应该使用不同的激活函数吗？3. 我的输入形状(308,)设置是否正确？我的输出形状(28)是否正确？4. 我应该在输出层添加激活函数吗（例如：model.add(Activation('softmax'))？如果是，哪种类型最理想？（我认为这不是特别相关，但我使用的是TensorFlow后端）
回答：
model = Sequential()model.add(Dense(256, input_shape=(308,) ))model.add(Activation('relu'))model.add(Dropout(0.5))model.add(Dense(256, input_shape=(256,)))model.add(Activation('relu'))model.add(Dropout(0.5))model.add(Dense(28, activation='softmax'))model.compile(loss='categorical_crossentropy', optimizer='adam')应该能解决这个问题。虽然这看起来像是一个回归问题，但分配是相互竞争的，这使得它类似于分类问题，需要使用softmax非线性和categorical_crossentropy损失函数。
更新
对于提前停止，你需要一个验证集和以下代码：
earlyStopping=keras.callbacks.EarlyStopping(monitor='val_loss', patience=0, verbose=0, mode='auto')model.fit(X, y, batch_size=100, nb_epoch=100, verbose=1, callbacks=[earlyStopping], validation_split=0.0, validation_data=None, shuffle=True, show_accuracy=False, class_weight=None, sample_weight=None)你还需要定义一个新的自定义度量函数，它不是返回准确率而是返回交叉熵损失。你在model.compile中将metric参数设置为这个新函数。
