Keras LSTM模型无法学习训练集模式且性能恶化的原因排查

• 学习率设置过高：Adam优化器的默认学习率是0.001，你设置的0.1远超合理范围。训练前期误差可能会下降，但当模型接近最优解区域时，过大的学习率会导致参数在最优值附近剧烈震荡，甚至直接跳过最优解，最终引发模型权重崩溃，出现误差突升、输出同质化的现象。

• LSTM激活函数选择错误：LSTM单元内部的循环状态更适合用tanh激活（输出范围[-1,1]，适配序列数据的梯度传递逻辑），而你使用了relu。relu在处理长序列任务时，容易出现神经元“死亡”（部分神经元输出恒为0，无法更新参数），导致模型丧失学习能力，最终只能输出无差异的预测值。

• 未进行特征归一化/标准化：你的特征包含天气（如温度、降水）、公共假期（0/1编码）、日期（可能是大整数编码），不同特征的数值尺度差异极大。LSTM对输入特征的尺度非常敏感，尺度不一致会导致模型权重更新严重偏向大尺度特征，无法有效学习序列模式，后期逐渐失衡并输出同质化结果。

• 缺乏梯度裁剪机制：序列模型训练中，长期依赖关系容易引发梯度爆炸问题，尤其是在大学习率的情况下。没有梯度裁剪的话，异常大的梯度值会直接破坏模型的参数状态，导致训练后期误差突然上升，模型失去拟合能力。

内容的提问来源于stack exchange，提问作者Mrob