相关疑难解决方法(0)

我正在尝试创建一个简单的基于深度学习的模型来进行预测，y=x**2 但是看起来深度学习无法学习其训练集范围之外的一般功能。

凭直觉，我可以认为神经网络可能无法拟合y = x ** 2，因为输入之间不涉及乘法。

请注意，我并不是在问如何创建适合的模型x**2。我已经实现了。我想知道以下问题的答案：

1. 我的分析正确吗？
2. 如果对1的回答为是，那么深度学习的预测范围不是很有限吗？
3. 在训练数据范围之内和之外，是否存在更好的算法来预测y = x ** 2之类的函数？

完成笔记本的路径：https : //github.com/krishansubudhi/MyPracticeProjects/blob/master/KerasBasic-nonlinear.ipynb

培训输入：

x = np.random.random((10000,1))*1000-500
y = x**2
x_train= x

训练守则

def getSequentialModel():
    model = Sequential()
    model.add(layers.Dense(8, kernel_regularizer=regularizers.l2(0.001), activation='relu', input_shape = (1,)))
    model.add(layers.Dense(1))
    print(model.summary())
    return model

def runmodel(model):
    model.compile(optimizer=optimizers.rmsprop(lr=0.01),loss='mse')
    from keras.callbacks import EarlyStopping
    early_stopping_monitor = EarlyStopping(patience=5)
    h = model.fit(x_train,y,validation_split=0.2,
             epochs= 300,
             batch_size=32,
             verbose=False,
             callbacks=[early_stopping_monitor])


_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
dense_18 (Dense)             (None, 8) …

在花费数天未能使用神经网络进行 Q 学习之后，我决定回归基础并做一个简单的函数近似，看看一切是否正常工作，以及一些参数如何影响学习过程。这是我想出的代码

from keras.models import Sequential
from keras.layers import Dense
import matplotlib.pyplot as plt
import random
import numpy
from sklearn.preprocessing import MinMaxScaler

regressor = Sequential()
regressor.add(Dense(units=20, activation='sigmoid', kernel_initializer='uniform', input_dim=1))
regressor.add(Dense(units=20, activation='sigmoid', kernel_initializer='uniform'))
regressor.add(Dense(units=20, activation='sigmoid', kernel_initializer='uniform'))
regressor.add(Dense(units=1))
regressor.compile(loss='mean_squared_error', optimizer='sgd')
#regressor = ExtraTreesRegressor()

N = 5000
X = numpy.empty((N,))
Y = numpy.empty((N,))

for i in range(N):
    X[i] = random.uniform(-10, 10)
X = numpy.sort(X).reshape(-1, 1)

for i in range(N):
    Y[i] = numpy.sin(X[i])
Y = Y.reshape(-1, 1)

X_scaler = MinMaxScaler()
Y_scaler = MinMaxScaler() …