TensorFlow实现函数逼近神经网络输出层单元数设置是否正确

结论 #

你的输出层单元数设置是错误的，同时输入层的input_shape参数也设置错误，二者都是混淆了样本总数和单条样本的特征维度的概念导致的。

错误原因说明 #

你要拟合的是单变量函数 y=0.9x^3 + 2x^2 + 12，单条样本的输入只有1个特征（也就是x的值），输出也只有1个值（对应的y值），50000是你准备的样本总数量，属于训练时的批量维度，不需要写入网络的输入/输出维度配置中。

你当前的配置相当于要求网络接收一条50000维的输入，输出一条50000维的结果，完全不符合你的拟合需求。

正确的网络结构代码 #

model = Sequential()
# 输入层：单条样本输入维度为1，第一隐藏层12个单元
model.add(Dense(12, input_shape = (1,), activation = 'relu'))
model.add(Dense(8, activation = 'relu'))
model.add(Dense(4, activation = 'relu'))
# 输出层：单条样本输出维度为1，用线性激活适配回归任务
model.add(Dense(1, activation = 'linear')) 

训练数据适配要求 #

训练前你需要把所有样本整理为符合输入要求的格式：

• 所有x值整理为形状为 (50000, 1) 的数组
• 所有对应的y值整理为形状为 (50000, 1) 的数组
  直接调用model.fit()传入上述两组数据即可，训练时框架会自动处理批量维度，不需要在网络结构中声明样本总数。

内容的提问来源于stack exchange，提问作者user12441225