我在创建一个颜色预测器时遇到了一个问题。我成功地让模型工作了，但预测总是落在2.5到5.5的中位数范围内。模型应该输出0到8的数值，对应每种颜色，并且我为每种颜色准备了等量的训练数据点。是否有更好的模型可以使用，使其能预测0或7？我认为它不会，因为它认为这些是某种异常值。
这是我的模型
const model = tf.sequential();const hidden = tf.layers.dense({ units: 3, inputShape: [3] //每个输入有3个值r, g, 和 b});const output = tf.layers.dense({ units: 1 //只有一个输出（对应rgb值的颜色） });model.add(hidden);model.add(output);model.compile({ activation: 'sigmoid', loss: "meanSquaredError", optimizer: tf.train.sgd(0.005)});这个模型适合我的问题吗？
回答：
这个模型缺乏非线性，因为没有激活函数。给定一个rgb输入，模型应该预测8个可能值中最可能的颜色。这是一个分类问题。问题中定义的模型在进行回归，即试图根据输入预测一个数值。
对于分类问题，最后一层应该预测概率。在这种情况下，最后一层通常使用softmax激活函数。损失函数应为categoricalCrossentropy或binaryCrossEntropy（如果只有两种颜色需要预测）。
考虑以下预测三种颜色类别的模型：红色，绿色和蓝色
const model = tf.sequential();model.add(tf.layers.dense({units: 10, inputShape: [3], activation: 'sigmoid' }));model.add(tf.layers.dense({units: 10, activation: 'sigmoid' }));model.add(tf.layers.dense({units: 3, activation: 'softmax' }));model.compile({ loss: 'categoricalCrossentropy', optimizer: 'adam' });const xs = tf.tensor([ [255, 23, 34], [255, 23, 43], [12, 255, 56], [13, 255, 56], [12, 23, 255], [12, 56, 255]]);// Labelsconst label = ['red', 'red', 'green', 'green', 'blue', 'blue']const setLabel = Array.from(new Set(label))const ys = tf.oneHot(tf.tensor1d(label.map((a) => setLabel.findIndex(e => e === a)), 'int32'), 3)// Train the model using the data. model.fit(xs, ys, {epochs: 100}).then((loss) => { const t = model.predict(xs); pred = t.argMax(1).dataSync(); // get the class of highest probability labelsPred = Array.from(pred).map(e => setLabel[e]) console.log(labelsPred)}).catch((e) => { console.log(e.message);})<html> <head> <!-- Load TensorFlow.js --> <script src="https://cdn.jsdelivr.net/npm/@tensorflow/[email protected]/dist/tf.min.js"> </script> </head> <body> </body></html>