我想创建一个可以将两个整数相加的神经网络。我设计如下：

问题 我的准确率非常低，只有0.002%。我该做些什么来提高它？

1. 创建数据：

   import numpy as npimport randoma=[]b=[]c=[]

   for i in range(1, 1001):a.append(random.randint(1,999))b.append(random.randint(1,999))c.append(a[i-1] + b[i-1])

   X = np.array([a,b]).transpose()y = np.array(c).transpose().reshape(-1, 1)

2. 缩放数据：

from sklearn.preprocessing import MinMaxScalerminmax = MinMaxScaler()minmax2 = MinMaxScaler()X = minmax.fit_transform(X)y = minmax2.fit_transform(y)

3. 神经网络：

from keras import Sequentialfrom keras.layers import Densefrom keras.optimizers import SGDclfa = Sequential()clfa.add(Dense(input_dim=2, output_dim=2, activation='sigmoid', kernel_initializer='he_uniform'))clfa.add(Dense(output_dim=2, activation='sigmoid', kernel_initializer='uniform'))clfa.add(Dense(output_dim=2, activation='sigmoid', kernel_initializer='uniform'))clfa.add(Dense(output_dim=2, activation='sigmoid', kernel_initializer='uniform'))clfa.add(Dense(output_dim=1, activation='relu'))opt = SGD(lr=0.01)clfa.compile(opt, loss='mean_squared_error', metrics=['acc'])clfa.fit(X, y, epochs=140)

输出：

Epoch 133/1401000/1000 [==============================] - 0s 39us/step - loss: 0.0012 - acc: 0.0020Epoch 134/1401000/1000 [==============================] - 0s 40us/step - loss: 0.0012 - acc: 0.0020   Epoch 135/1401000/1000 [==============================] - 0s 41us/step - loss: 0.0012 - acc: 0.0020Epoch 136/1401000/1000 [==============================] - 0s 40us/step - loss: 0.0012 - acc: 0.0020Epoch 137/1401000/1000 [==============================] - 0s 41us/step - loss: 0.0012 - acc: 0.0020Epoch 138/1401000/1000 [==============================] - 0s 42us/step - loss: 0.0012 - acc: 0.0020   Epoch 139/1401000/1000 [==============================] - 0s 40us/step - loss: 0.0012 - acc: 0.0020   Epoch 140/1401000/1000 [==============================] - 0s 42us/step - loss: 0.0012 - acc: 0.0020 

这是我的代码和控制台输出..

我已经尝试了各种不同的优化器、损失函数和激活函数的组合，而且这些数据非常适合线性回归模型。

回答：

有两个错误，还有几个问题。

错误之处：

• 这是一个回归问题，因此最后一层的激活函数应该是linear，而不是relu（如果不指定任何激活函数会自动使用linear，因为linear是Keras层中的默认激活函数）。
• 在回归问题中，准确率是没有意义的；从模型编译中移除metrics=['acc'] – 你应该仅用损失函数来评估模型的性能。

问题之处：

• 我们不使用sigmoid激活函数作为中间层的激活函数；将它们全部改为relu。
• 移除kernel_initializer参数，保留默认的glorot_uniform，这是推荐的初始化方法。
• 多个Dense层，每层只有两个节点并不是一个好主意；尝试减少层数并增加节点数。参见这里关于iris数据的一个简单的神经网络示例。