tf.keras.Sequential预测年份序列异常：结果全为1，求模型适配分析

• 输出层激活函数错误
  你用sigmoid作为输出层激活函数，它的输出范围仅为(0,1)，但目标是预测1990这类大整数年份，模型只能将输出压缩到0-1区间，最终全部趋近于1.0，完全不符合需求。需移除输出层的激活函数（默认线性激活），或显式指定activation="linear"，让模型能输出任意实数。

• 损失函数与任务不匹配
  binary_crossentropy是二分类任务专用损失，而年份预测属于回归任务，应使用mean_squared_error（均方误差）或mean_absolute_error（平均绝对误差）这类回归损失。同时accuracy指标不适合回归场景，需替换为mae或mse这类回归指标。

• 未做数据归一化
  年份数值（如1990）属于较大的连续值，直接输入会导致模型训练不稳定、梯度更新异常。必须先对输入和目标年份做归一化处理，比如缩放到0-1区间或标准化（减均值除以标准差）。

修改后的示例代码 #

import tensorflow as tf
from tensorflow.keras.layers import Dense

# 数据归一化：将年份缩放到0-1区间
max_year = max(self.x_train["year"].max(), self.y_train["year"].max())
x_train_norm = self.x_train["year"] / max_year
y_train_norm = self.y_train["year"] / max_year
p_norm = self.p["year"] / max_year

modelsq = tf.keras.Sequential(
    [
        Dense(64, activation="relu", input_shape=(1,)),
        Dense(32, activation="relu"),
        Dense(1)  # 移除sigmoid，使用默认线性激活
    ]
)
modelsq.compile(
    optimizer="adam", 
    loss="mean_squared_error",  # 回归任务损失
    metrics=["mean_absolute_error"]  # 回归任务指标
)
modelsq.fit(x_train_norm, y_train_norm, epochs=50, batch_size=32)  # 可适当增加训练轮数

# 预测后反归一化得到真实年份
predictions_norm = modelsq.predict(p_norm)
predictions = predictions_norm * max_year
print("predictions:", predictions)

补充说明 #

年份预测本质是连续值回归任务，只要调整模型配置和数据预处理，Sequential模型完全适用。如果你的数据是按时间顺序的序列（比如基于历史年份序列预测下一年），也可以考虑使用LSTM等序列模型，但调整后的全连接模型也能完成基础的回归预测。

内容的提问来源于stack exchange，提问作者Cazs