我在按照TensorFlow官方与Keras的教程学习时遇到了问题，卡在了这里：预测房价：回归 – 创建模型

为什么在预测连续值的任务中使用激活函数？

代码如下：

def build_model():    model = keras.Sequential([        keras.layers.Dense(64, activation=tf.nn.relu,                    input_shape=(train_data.shape[1],)),        keras.layers.Dense(64, activation=tf.nn.relu),        keras.layers.Dense(1)    ])    optimizer = tf.train.RMSPropOptimizer(0.001)    model.compile(loss='mse', optimizer=optimizer, metrics=['mae'])    return model

回答：

在隐藏层中使用非线性激活函数的一般原因是，如果没有它们，无论有多少层或每层有多少单元，网络的行为就像一个简单的线性单元。Andrew Ng 在这个简短的视频中对此进行了很好的解释：为什么需要非线性激活函数？

在你的例子中，仔细观察，你会发现你的最后一层的激活函数并不是像隐藏层那样使用relu，而是线性激活函数（当你没有指定任何激活函数时，默认使用线性激活函数，如这里所示）：

keras.layers.Dense(1)

根据Keras文档：

Dense

[…]

Arguments

[…]

activation: 使用的激活函数（参见activations）。如果你不指定任何东西，则不应用激活函数（即“线性”激活：a(x) = x）。

这确实是对于具有单一连续输出的回归网络所期望的。