LSTM - 如何防止相同输入的不同损失/ R2 结果？

Question

我在 python (kears) 中有一个 LSTM 神经网络，我想使用 tp 预测一些时间序列数据。

我遇到的问题是我总是得到不同的损失和 r2（确定度）值，有时甚至是 NaN 作为损失，尽管我根本没有更改代码

我尝试使用不同的损失函数（mse、mae）。我还尝试更改图层或序列的大小，但没有任何效果。

changes = Bedarf_data[["Bedarf_changes", "Temperatur_changes", "monat", "uhrzeit"]].values

X = []
Y = []

for i in range (0, len(changes) - 96):
    Y.append(changes[i,0])
    X.append(np.array(changes[i+1:i+97]))

X = np.array(X).reshape(-1, 96, 4)
Y = np.array(Y)

# Modell
from keras.models import Sequential
from keras.layers import LSTM
from keras.layers import Dense

model = Sequential()
model.add(LSTM(12, activation="relu", input_shape=(96, 4)))
model.add(Dense(1))

model.compile(optimizer="rmsprop", loss="mse")
model.fit(X, Y, batch_size=96, epochs=10)

我期望至少有一个稳定的结果，没有太多的变化。 我该怎么做才能至少获得稳定的输出？

Answer 1

神经网络使用大量随机初始化。这意味着每次创建新网络时，它都与其他网络不同。

您可以设置一个随机种子（但您需要在每次运行之前完全重置内核）以保证随机数始终相同：

numpy.random.seed(choose_a_number)

你也可以试试tf.set_random_seed(choose_a_number)