多元 LSTM 预测损失和评估

Question

我有一个带有双向 LSTMS 的 CNN-RNN 模型架构，用于时间序列回归问题。我的损失没有收敛超过 50 个时期。每个 epoch 有 20k 个样本。损失在0.001 - 0.01之间不断反弹。

batch_size=1
epochs = 50
model.compile(loss='mean_squared_error', optimizer='adam')   
trainingHistory=model.fit(trainX,trainY,epochs=epochs,batch_size=batch_size,shuffle=False)

1. 我尝试使用错误配对的 X 和 Y 数据训练模型，其损失保持在0.5左右，我的 X 和 Y 具有非线性关系的合理结论是否可以由我的模型在更多时期学习？
2. 我的模型的预测捕获了模式，但有一个偏移量，我使用动态时间扭曲距离来手动检查预测的准确性，有没有更好的方法？

模型 ：

model = Sequential()
model.add(LSTM(units=128, dropout=0.05, recurrent_dropout=0.35, return_sequences=True, batch_input_shape=(batch_size,featureSteps,input_dim)))
model.add(LSTM(units=32, dropout=0.05, recurrent_dropout=0.35, return_sequences=False))
model.add(Dense(units=2, activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer=opt, metrics=['accuracy'])

Answer 1

如果你测试过：

• 错误数据：损失 ~0.5
• 正确数据：损失 ~0.01

那么你的模型实际上可以学习一些东西。

有一些可能性：

1. 您的输出数据不适合最后一层的激活范围
2. 您的模型达到了当前学习率的限制（梯度更新步骤太大，无法再改进模型）。
3. 您的模型不足以完成任务。
4. 您的数据具有一定程度的随机因素

情况1：

确保您Y在上次激活函数的范围内。

• 对于 a tanh（LSTM 的默认值），所有 Y 数据应介于 -1 和 + 1 之间
• 对于 a sigmoid，介于 0 和 1 之间
• 对于 a softmax，介于 0 和 1 之间，但请确保您的最后一个维度不是 1，否则所有结果始终为 1。
• 对于 a relu，介于 0 和无穷大之间
• 对于linear，任何值

如果你有一个有限的激活而不是一个无限大的激活，收敛会更好。
在第一种情况下，您可以重新编译（在训练后）具有较低学习率的模型，通常我们将其除以 10，其中默认值为0.0001：

案例2：

如果数据正常，请在模型停滞后尝试降低学习率。

adam 的默认学习率为0.0001，我们通常将其除以 10：

from keras.optimizers import Adam

#after training enough with the default value: 
model.compile(loss='mse', optimizer=Adam(lr=0.00001)
trainingHistory2 = model.fit(.........)

#you can even do this again if you notice that the loss decreased and stopped again:
model.compile(loss='mse',optimizer=Adam(lr=0.000001)

如果问题出在学习率上，这将使您的模型学习到比之前更多的东西（在优化器自行调整之前可能会在开始时遇到一些困难）。

案例3：

如果你没有成功，也许是时候增加模型的能力了。可能向层添加更多单元，添加更多层甚至更改模型。

案例4：

你可能对此无能为力......

但是，如果您像情况 3 那样增加模型，请注意过度拟合（保留一些测试数据以比较测试损失与训练损失）。

太好的模型只会记住你的数据，而不是学习关于它的重要见解。