TensorFlow模型训练结果异常，500万轮未拟合如何解决？

1. 数据层面的核心问题与修正 #

• 输入维度完全搞反：原代码里input_data是[2,12]的结构（2个特征，12个样本），但TensorFlow要求输入格式是[样本数, 特征数]，也就是每个样本是[温度, 湿度]的组合，必须把数组转成[[温度1,湿度1], [温度2,湿度2], ...]的12行2列结构，否则模型会把2个特征当成2个样本，完全无法学习。
• 异常数据必须处理：温度数据里的281是明显错误值（正常环境温度不可能这么高），直接保留会彻底打乱模型的拟合逻辑，建议修正为合理值（比如推测是28.1的笔误）或直接删除该样本。
• 特征必须做归一化：温度（范围-2.4_{281）和湿度（范围52}74）数值跨度差异极大，不做归一化会导致模型梯度更新失衡，难以收敛。建议把特征缩放到[0,1]区间或做Z-score标准化。

2. 模型结构的优化 #

原模型只有1个神经元的全连接层，结构过于简单，无法拟合温度、湿度和功率之间的非线性关联。可以增加隐藏层提升模型表达能力：

var X = tf.input({ shape: [2] });
// 增加两层带ReLU激活的隐藏层
var hidden1 = tf.layers.dense({ units: 8, activation: 'relu' }).apply(X);
var hidden2 = tf.layers.dense({ units: 4, activation: 'relu' }).apply(hidden1);
var Y = tf.layers.dense({ units: 1 }).apply(hidden2);
var model = tf.model({ inputs: X, outputs: Y });

3. 训练配置的合理调整 #

• 训练轮数完全没必要500万：不仅浪费算力，还会导致过拟合。建议设置早停回调，当验证集损失连续多轮不下降时自动停止训练，同时保留最优权重。
• 损失函数写法修正：原代码直接传tf.losses.meanSquaredError存在调用风险，改用字符串'meanSquaredError'更稳妥，也可以指定优化器的学习率提升收敛效率。

完整修正后的代码示例 #

// 修正输入结构，同时处理异常值（假设281是28.1的笔误）
var input_data = [
    [-2.4, 58], [2.7, 56], [9, 63], [14.2, 54], [17.1, 68], 
    [22.8, 73], [28.1, 71], [25.9, 74], [22.6, 71], [15.6, 70], 
    [8.2, 68], [0.6, 62]
];
var power_data = [239,224,189,189,179,192,243,317,224,190,189,202];

// 特征归一化工具函数：缩放到[0,1]区间
function normalizeData(data) {
    const tensor = tf.tensor2d(data);
    const min = tensor.min(0);
    const max = tensor.max(0);
    const normalized = tensor.sub(min).div(max.sub(min));
    return { normalized, min, max };
}

// 处理输入输出张量，输出要转成[样本数,1]的二维格式
const { normalized: reason_data, min: inputMin, max: inputMax } = normalizeData(input_data);
const result_data = tf.tensor2d(power_data, [power_data.length, 1]);

// 构建带隐藏层的模型
var X = tf.input({ shape: [2] });
var hidden1 = tf.layers.dense({ units: 8, activation: 'relu' }).apply(X);
var hidden2 = tf.layers.dense({ units: 4, activation: 'relu' }).apply(hidden1);
var Y = tf.layers.dense({ units: 1 }).apply(hidden2);
var model = tf.model({ inputs: X, outputs: Y });

// 编译模型：指定学习率，用字符串形式的损失函数
var compileParam = { 
    optimizer: tf.train.adam(0.001),
    loss: 'meanSquaredError' 
};
model.compile(compileParam);

// 训练配置：早停+验证集，每50轮打印一次日志
var fitParam = {
    epochs: 1000,
    validationSplit: 0.2, // 拿20%数据做验证
    callbacks: [
        tf.callbacks.earlyStopping({ monitor: 'val_loss', patience: 20, restoreBestWeights: true }),
        {
            onEpochEnd: function (epoch, logs) {
                if (epoch % 50 === 0) {
                    console.log(`epoch ${epoch} - loss: ${logs.loss.toFixed(4)} - val_loss: ${logs.val_loss.toFixed(4)} - RMSE: ${Math.sqrt(logs.loss).toFixed(2)}`);
                }
            }
        }
    ]
};

// 启动训练并查看结果
model.fit(reason_data, result_data, fitParam).then(function (result) {
    var final_result = model.predict(reason_data);
    console.log('预测结果：');
    final_result.print();
    console.log('真实结果：');
    result_data.print();
    model.save('file:///path/');
});

内容的提问来源于stack exchange，提问作者user2458645