我有1000个数据集，每个数据集包含8000个信号幅度和一个标签——该信号的基频。对于新提供的信号，构建神经网络预测基频的最佳方法是什么？
例如：
基频：75.88206932 Hz
数据片段：
-9.609272558949627507e-02 -4.778297441391140543e-01 -2.434520972570237696e-01 -1.567176020112603263e+00 -1.020037056101358752e+00 -1.129608807811322446e+00 4.303651786855859918e-01 -3.936956061582048694e-01 -1.224883726737033163e+00 -1.776803300708089672e+00我创建的模型：（训练集形状：(600,8000,1)）
model=Sequential() model.add(Conv1D(filters=64, kernel_size=3, activation='tanh', \ input_shape=(data.shape[1],data.shape[2]))) model.add(MaxPooling1D(pool_size=2)) model.add(Conv1D(filters=64, kernel_size=3, activation='tanh')) model.add(MaxPooling1D(pool_size=2)) model.add(Conv1D(filters=64, kernel_size=3, activation='tanh')) model.add(MaxPooling1D(pool_size=2)) model.add(Flatten()) model.add(Dense(500, activation='tanh')) model.add(Dropout(0.2)) model.add(Dense(50, activation='tanh')) model.add(Dropout(0.2)) model.add(Dense(1, activation='linear')) model.compile(loss='mean_squared_error', optimizer='adam', metrics=["accuracy"])但模型无法训练。准确率~ 0.0。
非常感谢任何建议。
回答：
对于新提供的信号，构建神经网络预测基频的最佳方法是什么？
这个问题对于SO来说过于宽泛，因此您不应期望得到任何足够详细且有意义的答案。
尽管如此，您的代码确实存在一些问题，解决这些问题无疑会让您更接近实现最终目标。
因此，您犯了一个非常基本的错误：
准确率只适用于分类问题；对于回归（即数值预测）问题，如您的情况，准确率是没有意义的。
更重要的是，Keras不幸地不会“保护”您或其他用户在代码中提出这种无意义的请求，即您不会得到任何错误或警告，指出您正在尝试一些不合理的事情，比如在回归设置中请求准确率；有关更多细节和实际演示，请参阅我的回答：当损失为均方误差（MSE）时，Keras中定义准确率的函数是什么？。
因此，您的性能指标实际上与您的损失相同，即均方误差（MSE）；您应该努力使验证集中的这个量尽可能小，并且完全删除模型编译中的metrics=['accuracy']参数。
此外，现在我们几乎从不使用tanh激活函数作为隐藏层的激活函数；您应该尝试使用relu代替。
