我有一个包含 98 个浮点值 -5.0 < x < 5.0 的输入层和一个值为 -5.0 < x < 5.0 的单节点浮点输出
数据集非常大,有 10GB,可以轻松扩展到更大的大小。
我遇到最多麻烦的部分是激活函数。输入和输出值为 -5.0 < x < 5.0 时,最好使用什么激活函数。
此外,如果您知道哪种类型的神经网络(LSTM、CNN)、dropout、隐藏层数量、batch_size 和优化器最适合此类数据集,我们也将不胜感激。
尽管有大量的示例和信息,但我在尝试使所有这些参数适合我的数据集时遇到了相当大的麻烦。
最佳答案
您可以使用手动拉伸(stretch)'tanh'
。
单独使用时,“tanh”会从 -1 返回到 +1。您可以将其乘以 5(或者可能稍微多一点,例如 5.1)来拉伸(stretch)它。
model.add(YourLastLayer(..., activation='tanh'))
model.add(Lambda(lambda x: x * 5))
<小时/>
其他问题无法回答,我们不知道您的数据集是什么,数据是如何组织的,它代表什么以及您想要实现什么。
不过,这似乎是一个经典的密集
(或完全连接)网络案例。
关于python - 正确的 Keras/TensorFlow 激活函数用于简单的数字输入/输出,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/50264065/