我一直在尝试使用Keras中的神经网络实现一个简单的线性回归模型，希望能理解如何在Keras库中工作。不幸的是，我最终得到的模型非常差。以下是我的实现：

from pylab import *from keras.models import Sequentialfrom keras.layers import Dense#Generate dummy datadata = data = linspace(1,2,100).reshape(-1,1)y = data*5#Define the modeldef baseline_model():   model = Sequential()   model.add(Dense(1, activation = 'linear', input_dim = 1))   model.compile(optimizer = 'rmsprop', loss = 'mean_squared_error', metrics = ['accuracy'])   return model#Use the modelregr = baseline_model()regr.fit(data,y,epochs =200,batch_size = 32)plot(data, regr.predict(data), 'b', data,y, 'k.')

生成的图表如下所示：

能有人指出上述模型定义中的缺陷（以确保更好的拟合）吗？

回答：

你应该增加优化器的学习率。在RMSprop优化器中的默认学习率值设置为0.001，因此模型需要几百个周期才能收敛到最终解（你可能已经注意到这一点，训练日志显示损失值下降缓慢）。要设置学习率，请导入optimizers模块：

from keras import optimizers# ...model.compile(optimizer=optimizers.RMSprop(lr=0.1), loss='mean_squared_error', metrics=['mae'])

0.01或0.1中的任何一个都应该可以正常工作。进行此修改后，你可能不需要训练模型200个周期。甚至5个、10个或20个周期可能就足够了。

另外请注意，你正在执行回归任务（即预测实数），而'accuracy'作为指标是用于执行分类任务时（即预测离散标签，如图像的类别）。因此，如上所示，我已将其替换为mae（即平均绝对误差），这也比这里使用的损失值（即均方误差）更易于解释。