如何在python中使用DNN估计带有“参数”的正弦函数？

Question

我想做的是用频率 w、时间 t、相位 phi 等参数估计正弦函数。

我尝试了两种情况。（我附上了描述图片和源代码的链接）

案例 1 是关于单输入 x 的正弦函数估计 案例2是关于多输入正弦函数的估计（x除以3：频率w，时间t，相位phi）

案例 1 运行良好。我的损失值非常低。（大约为 0） 案例 2 效果不佳。损失值相当高。收敛到 25

我想提高它的性能，并知道它性能不佳的原因。

我附上了源代码的nbviewer链接和描述图片的evernote链接。

案例一）https://nbviewer.jupyter.org/gist/nuriahn/1dd28ef1164a8a358bb7875f48dc1174

案例 2) https://nbviewer.jupyter.org/gist/nuriahn/f4b25917243c4b043caf640362dcd0ea

描述图片） http://www.evernote.com/l/AYuq8O7ErDtKK4346xKk7RzmVx9fX0zTdT8/

我希望这个模型可以学习这个公式：y=sin(w*t+phi)。 例如，当我将 w=2、t=4 和 phi=0.5 作为输入时，我会得到输出 y 作为 sin(2*4+0.5) 的结果。

Answer 1

在这种情况下，只有案例 1 会起作用，因为它将 w 和 phi 作为要学习的参数。

在第二种情况下，当您将参数（应该由网络学习）作为输入传递并让网络通过完全连接的层（通过添加更多权重）确定它们之间的关系时，您不能期望网络学习.