Keras训练y=x²回归模型出现准确率为0%问题求助

你的代码存在几个关键错误，导致模型完全无法学习到y=x²的规律，以下是问题分析和修正方案：

核心错误：任务类型混淆 #

你要解决的是回归任务（预测连续值y=x²），但代码里误用了分类任务的损失函数和评估指标：

• SparseCategoricalCrossentropy是多分类任务的损失函数，完全不适合回归场景
• accuracy是分类任务的专属指标，对回归任务毫无意义，自然会显示0%

其他次要问题 #

1. 数据形状不规范：x_train和y_train被定义为(1,5000)的形状，Keras默认要求输入数据格式为(样本数, 特征数)，即应该是(5000,1)
2. 训练轮次太少：仅训练1轮（epochs=1），模型没有足够时间学习规律
3. 数据生成效率低：用循环计算y_train可以直接用numpy向量化操作替代，更高效

修正后的代码 #

import numpy as np
import tensorflow as tf
from tensorflow import keras
from keras import layers

# 构建模型（保留原有网络结构）
inputs = keras.Input(shape=(1,))
x = layers.Dense(64, activation="relu")(inputs)
x2 = layers.Dense(64, activation="relu")(x)
outputs = layers.Dense(1)(x2)  # 回归任务输出层用线性激活（默认）
model = keras.Model(inputs=inputs, outputs=outputs, name="regression_model")

# 生成训练数据：用numpy向量化操作，调整为标准形状
x_train = np.random.rand(5000, 1)  # (样本数, 特征数)
y_train = x_train ** 2  # 直接向量化计算，无需循环

# 编译模型：改用回归损失函数和合适的指标
model.compile(
    loss=keras.losses.MeanSquaredError(),  # 回归任务首选均方误差
    optimizer=keras.optimizers.RMSprop(),
    metrics=["mean_absolute_error"],  # 用回归指标替代准确率
)

# 训练模型：增加训练轮次
history = model.fit(x_train, y_train, batch_size=10, epochs=50, verbose=1)

# 生成测试数据并评估
x_test = np.random.rand(50000, 1)
y_test = x_test ** 2
test_scores = model.evaluate(x_test, y_test, verbose=2)
print("Test loss (MSE):", test_scores[0])
print("Test MAE:", test_scores[1])

# 可选：验证模型预测效果
sample_x = np.array([[0.2], [0.5], [0.8]])
sample_y = sample_x ** 2
predicted_y = model.predict(sample_x)
print("\n样本验证：")
for x_true, y_true, y_pred in zip(sample_x, sample_y, predicted_y):
    print(f"x={x_true[0]:.2f}, 真实y={y_true[0]:.4f}, 预测y={y_pred[0]:.4f}")

修正后效果说明 #

• 训练时会看到损失值（MSE）逐渐下降，说明模型在学习y=x²的规律
• 测试时用mean_absolute_error（平均绝对误差）评估模型预测精准度，数值越小说明预测越准确
• 样本验证部分可以直观看到模型对具体x值的预测结果，会接近真实的x²值

内容的提问来源于stack exchange，提问作者Mojtaba Jalili