用于乘法特征的 keras 和 tensorflow 中的神经网络

Question

这个模型的想法是它通过神经网络学习执行两个特征的乘法，所以我创建了一个训练数据集，其中包含从 0 到 100 的随机数的乘法。因为这个想法是它学习乘法在任何情况下，我都创建了 a) 随机数最大为 100 和 b) 随机数从 1000 到 5000 的训练数据。

我为此创建了下面的神经网络，但是它与测试数据“b”不太吻合。

    model = tf.keras.Sequenenter code heretial()
    model.add(tf.keras.layers.Dense(units = 2,input_dim = 2))
    model.add(tf.keras.layers.Dropout(0.1))
    model.add(tf.keras.layers.Dense(units = 64,activation='relu'))
    model.add(tf.keras.layers.Dropout(0.1))
    model.add(tf.keras.layers.Dense(units = 32,activation='relu'))
    model.add(tf.keras.layers.Dense(units = 1))
    model.compile(optimizer='adam', loss = 'mean_squared_error')

与“a”测试数据相比，预测是有意义的。但是与测试数据“b”相比，它呈现出类似的曲线，但值非常遥远。

Data test x Data predict "a"

Data test x Data predict "b"

Data predict "b"

如果你想看我的完整代码： https://colab.research.google.com/drive/1rdAhZnHlxyXHHDF2D_grog05oDwYbXHa?usp=sharing

您能否帮助我的模型很好地泛化到比训练数据大得多的数据？ 谢谢！

Answer 1

使用您在笔记本的 cmets 中提供的缩放比例会导致训练和测试数据的缩放比例不同。例如，如果您的训练数据中有一个 100 值，则它的标准化值在您的测试数据中应该是相同的，但现在情况并非如此。在您的案例中标准化数据的最简单方法是从头开始，例如这里

df = pd.DataFrame(data=a, columns=['a'])
df['b']= b
df['mult'] = df['a']*df['b']
# Scale your data here

无论如何，我不确定这是否能解决问题。