我有一个问题，当epoch增加时，损失并未减少。
这是我的代码
model = Sequential()model.add(LSTM(50, input_shape=(None, 1)))model.add(Dropout(0.05))BatchNormalization()model.add(Dense(1))model.compile(loss='mean_squared_error', optimizer=optimizers.Adam(lr=0.01, decay=0.001))hist = model.fit(x_train, y_train, epochs=40, batch_size=32, verbose=2)Total parameters 的数量是10451，
train dataset 的数量是2285
我想知道总参数与训练数据的比例是否合理。换句话说，我在想总参数与训练数据的比例是否合适。
这是我的损失图
我尝试了参数和超参数调整，但问题依然没有解决。
数据集已被预处理在0到1之间。
集成方法反而使结果变得更差。
如何在增加epoch时降低损失？
回答：
你的问题并没有一个简单的答案。你的损失图显示了初期快速学习，然后在几个epoch后减缓。这种现象相当普遍。
你的问题实际上是在问“如何为这个数据集建立一个更好的机器学习模型？”，这是一个无法泛泛回答的问题。
直接来说，你可以增加层数、权重等。最终（至少理论上），你将拥有足够复杂的模型来记忆整个训练集，并将损失降至接近0。然而，这样得到的模型几乎肯定会过拟合，并且在面对从未见过的数据时表现会非常差。
客观地说，如果你的标签在0到1之间均匀分布，你似乎已经有了一个非常低的损失值（小于0.0005的MSE，对吗？）
你有在测试集上尝试过吗？并不清楚你为什么需要进一步降低这个值。
