带LSTM层的Keras回归器持续返回相同预测值,如何排查问题?
问题原因
- 未做数据归一化:LSTM内部的tanh、sigmoid激活函数对大数值输入高度敏感,你的输入数值范围在0~1500区间,会直接让激活函数进入饱和区,梯度消失,参数无法更新,最终模型输出固定值,导致所有预测结果相同。你代码中虽然导入了
MinMaxScaler,但全程没有调用,属于无效导入。 - 训练轮次不足:仅设置
epochs=5,迭代次数远低于收敛所需的最低值,模型还未学到序列规律就停止训练,输出自然不符合预期。 - 模型结构和任务不匹配:你要拟合的是“连续100个递增加1的序列,下一个值为序列尾值+1”的极简线性规律,完全不需要堆叠5层LSTM加Dropout,过深的结构加上Dropout的随机失活反而会导致欠拟合,无法学到简单规律。
修复方案
- 新增归一化逻辑,在生成训练集的
np_data后新增如下代码,将数据缩放到0~1区间,预测完成后再反归一化回原数值范围:
# 训练阶段归一化 scaler = MinMaxScaler(feature_range=(0, 1)) np_data = scaler.fit_transform(np_data.reshape(-1, 1)).flatten() # 预测完成后反归一化 predicted = scaler.inverse_transform(predicted) y_test = scaler.inverse_transform(np.array(y_test).reshape(-1, 1))
- 将训练参数
epochs调整到30以上,设置为50即可满足收敛需求。 - 简化模型结构,仅保留1~2层LSTM即可,Dropout层可以直接移除,或把失活比例调低到0.1以内,避免欠拟合。
按上述方案修改后重新运行代码,预测结果会和真实值几乎完全重合。
内容的提问来源于stack exchange,提问作者victory
相关产品推荐
相关产品推荐

