使用TensorFlow与MSE的神经网络准确率无法突破20%原因咨询

• 核心问题：误用分类任务的评价指标
  你在模型编译时指定了metrics=["accuracy"]，但准确率是专门给分类任务设计的——它统计的是模型预测结果和真实标签完全匹配的比例。而你的任务是回归（预测连续的x²值），神经网络几乎不可能输出和真实值完全一致的浮点数，所以这个准确率完全没有参考价值，自然会极低。
  解决：删掉metrics=["accuracy"]，或者换成回归任务适用的指标，比如mae（平均绝对误差）。

• 训练样本量严重不足
  你只用到了10个训练样本（x从0到9归一化后的数据），这么少的数据量，模型根本学不到x²的全局规律，要么过拟合到这10个点，要么完全没学到有效模式。
  解决：生成更多样本，比如用tf.range(1000, dtype="float32")/999.0来生成0到1之间的1000个连续样本，或者用随机采样的方式生成更多数据。

• 可优化的细节

  • 目前250轮训练可能不够，可以尝试增加到500-1000轮，让模型有足够的时间收敛
  • 可以微调隐藏层的神经元数量，或者尝试调整Adam优化器的学习率（比如optimizer=keras.optimizers.Adam(learning_rate=0.001)）

修正后的示例代码 #

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

# 生成更多训练样本
x_train = tf.range(1000, dtype="float32")/999.0
y_train = (x_train)**2.0  # 直接用归一化后的x计算y，避免重复计算

x_train = tf.reshape(x_train, (len(x_train), 1))
y_train = tf.reshape(y_train, (len(y_train), 1))

model = keras.Sequential([
    layers.Dense(10, input_dim=1, activation='relu', kernel_initializer='he_uniform'),
    layers.Dense(10, activation='relu', kernel_initializer='he_uniform'),
    layers.Dense(1)
])

# 去掉accuracy，用MSE作为损失，可选添加MAE作为监控指标
model.compile(
    loss = "mse",
    optimizer = "adam",
    metrics = ["mae"],  # 回归任务用MAE更合理
)

# 增加训练轮次
model.fit(x_train,y_train, epochs=500, batch_size=32, verbose=2)
yhat = model.predict(x_train)

# 反归一化查看结果（如果需要）
print(tf.abs(yhat*(999.0**2.0)))

内容的提问来源于stack exchange，提问作者Gary Drocella