我正在使用Keras处理MNIST和Boston_Housing数据集，我想知道如何确定每层的Optimal层数和激活函数。我不是在询问最佳层数/激活函数具体是什么，而是在问确定这些参数的过程是什么。
我使用均方误差和平均绝对误差来评估我的模型。以下是我的当前模型的结构：
model = models.Sequential() model.add(layers.Dense(64, activation='relu')) model.add(layers.Dense(64, init='glorot_uniform', activation=layers.Activation('selu'))) model.add(layers.Dense(64,activation = 'softplus'))model.add(layers.Dense(1))model.compile(optimizer = 'rmsprop', loss='mse', metrics=['mae'])我的均方误差为3.5，平均绝对误差为27。
回答：
关于选择激活函数，
- 现代神经网络在隐藏层主要使用ReLU或leakyReLU。
- 对于分类问题，输出层使用softmax激活函数。
- 对于回归问题，输出层使用线性激活函数。
关于选择层数，
- 完全取决于你的问题。
- 当数据复杂时，更多的层有助于有效地逼近输入和输出之间的函数关系。
- 有时候，对于较小的问题，比如MNIST，仅有2个隐藏层的网络就能很好地工作。
