如何在Keras中实现神经元数量递增的循环训练并正确保存结果？

核心问题拆解 #

• train_model函数内部的循环完全错误：你本意是用传入的neurons参数定义三层网络的神经元数，但函数里写了for i in range(1,66)，每次调用都会构建一堆从1到65神经元的层，完全忽略了外部传入的neurons值，这直接导致外层循环失去意义，最终只得到最大神经元数的模型。
• 变量名错误：原代码里用dataset.add()，但应该是model.add()，否则会抛出未定义dataset的错误。
• 任务指标与损失函数不匹配：你需要记录MSE指标，但原代码用了分类任务的categorical_crossentropy损失和accuracy指标，不符合回归任务的需求。
• 外层循环范围偏差：range(1,65)只会迭代1到64，若要包含65需改为range(1,66)。

修正后的完整代码 #

from keras.models import Sequential
from keras.layers import Dense
import pandas as pd

def train_model(neurons):
    # 每次训练都重新构建新模型
    model = Sequential()
    # 第一层隐藏层：neurons个神经元，tanh激活
    model.add(Dense(units=neurons, activation="tanh"))
    # 第二层隐藏层：neurons个神经元，tanh激活
    model.add(Dense(units=neurons, activation="tanh"))
    # 输出层：1个神经元（回归任务）
    model.add(Dense(units=1))
    # 回归任务用mse损失，同时监控mse指标
    model.compile(loss='mse', optimizer='adam', metrics=['mse'])
    model.fit(X_train, y_train, epochs=10, batch_size=32, verbose=0)  # verbose=0关闭训练日志输出，可选
    return model

results = []
# 迭代1到65的神经元数量（包含65）
for neurons in range(1, 66):
    model = train_model(neurons)
    # 获取测试集的MSE指标（evaluate返回[loss, mse]）
    test_mse = model.evaluate(X_test, y_test, verbose=0)[1]
    results.append((neurons, test_mse))

# 保存结果到Excel
df = pd.DataFrame(results, columns=['Neurons', 'MSE'])
df.to_excel('neurons_mse_results.xlsx', index=False)
print("结果已保存到 neurons_mse_results.xlsx")

关键修正说明 #

1. 移除train_model内部的无效循环，直接用传入的neurons参数定义两层隐藏层的神经元数量，严格对应三层网络结构。
2. 修正model.add()的变量名错误，确保模型构建正常。
3. 将损失函数改为mse，指标也设置为mse，匹配你需要记录MSE的需求。
4. 添加verbose=0关闭训练和评估时的日志输出，避免控制台信息冗余（可根据需要改为1或2）。
5. 调整外层循环范围到range(1,66)，确保包含65个神经元的情况。
6. 结果DataFrame的列名改为MSE，与实际保存的指标对应。

内容的提问来源于stack exchange，提问作者John