我是一名水利工程专业的学生，目前在实习期间研究神经网络，这对我来说是新的领域。我创建了一个神经网络，但它的损失值很高，我不知道问题出在哪里…你可以查看我的代码：

def create_model():    model = Sequential()    # Adding the input layer    model.add(Dense(26,activation='relu',input_shape=(n_cols,)))    # Adding the hidden layer    model.add(Dense(60,activation='relu'))    model.add(Dense(60,activation='relu'))    model.add(Dense(60,activation='relu'))    # Adding the output layer    model.add(Dense(2))    # Compiling the RNN    model.compile(optimizer='adam', loss='mean_squared_error', metrics=['accuracy'])    return modelkf = KFold(n_splits = 5, shuffle = True)model = create_model()scores = []for i in range(5):    result = next(kf.split(data_input), None)    input_train = data_input[result[0]]    input_test = data_input[result[1]]    output_train = data_output[result[0]]    output_test = data_output[result[1]]    # Fitting the RNN to the Training set    model.fit(input_train, output_train, epochs=5000, batch_size=200 ,verbose=2)    predictions = model.predict(input_test)     scores.append(model.evaluate(input_test, output_test))print('Scores from each Iteration: ', scores)print('Average K-Fold Score :' , np.mean(scores))

当我执行代码时，结果如下：

Scores from each Iteration:  [[93.90406122928908, 0.8907562990148529], [89.5892979597845, 0.8907563030218878], [81.26530176050522, 0.9327731132507324], [56.46526102659081, 0.9495798339362905], [54.314151876112994, 0.9579831877676379]]Average K-Fold Score : 38.0159922589274

请问有人能帮帮我吗？我该怎么做才能降低损失值？

回答：

你的问题和代码都有几个问题…

首先，通常我们不能说均方误差（MSE）损失值X是低还是高。与分类问题中的准确率定义在[0, 1]范围内不同，损失值没有类似的界限，所以没有一般的方法来判断某个特定的值是低还是高，如你所暗示的（这总是取决于具体问题）。

澄清了这一点后，让我们来看你的代码。

首先，从你的loss='mean_squared_error'来看，你似乎是在做回归任务，在这种情况下，准确率是没有意义的；请参阅当损失为均方误差（MSE）时，Keras中准确率的定义函数是什么？。你没有分享你具体要解决什么问题，但如果确实是回归问题（即预测某个数值），你应该在模型编译时删除metrics=['accuracy']，并可能将最后一层改为单个单元，即model.add(Dense(1))。

其次，就你当前的代码而言，你实际上并没有在每个交叉验证折叠中从头开始拟合独立的模型（这是CV的本质）；在Keras中，model.fit是累积的，即每次调用时不会“重置”模型，而是继续从上次调用的地方进行拟合。这就是为什么如果你查看你的scores，显然在后面的折叠中模型表现得更好（这已经给出了改进的提示：增加更多的epoch）。为了正确地进行CV，你应该将create_model()移到for循环内部。

第三，你在这里使用np.mean()再次是没有意义的，因为你同时平均了损失和准确率（即苹果和橙子）；从54到94之间的5个损失值，你最终得到的“平均值”为38，这应该已经提醒你你在尝试一些错误的事情了。事实上，如果你像上面提到的，忽略准确率指标，你就不会在这里遇到这个问题了。

总的来说，原则上你的代码应该如下所示（但再次声明，我对你试图解决的具体问题一无所知，所以一些细节可能会有所不同）：

def create_model():    model = Sequential()    # Adding the input layer    model.add(Dense(26,activation='relu',input_shape=(n_cols,)))    # Adding the hidden layer    model.add(Dense(60,activation='relu'))    model.add(Dense(60,activation='relu'))    model.add(Dense(60,activation='relu'))    # Adding the output layer    model.add(Dense(1))  # change to 1 unit    # Compiling the RNN    model.compile(optimizer='adam', loss='mean_squared_error') # dismiss accuracy    return modelkf = KFold(n_splits = 5, shuffle = True)scores = []for i in range(5):    result = next(kf.split(data_input), None)    input_train = data_input[result[0]]    input_test = data_input[result[1]]    output_train = data_output[result[0]]    output_test = data_output[result[1]]    # Fitting the RNN to the Training set    model = create_model()  # move create_model here    model.fit(input_train, output_train, epochs=10000, batch_size=200 ,verbose=2)  # increase the epochs    predictions = model.predict(input_test)     scores.append(model.evaluate(input_test, output_test))print('Loss from each Iteration: ', scores)print('Average K-Fold Loss :' , np.mean(scores))