ResNet时间序列预测模型始终输出预测值1.0，应如何排查原因？

核心错误点 #

• 输出层激活函数选择错误：回归任务的单神经元输出层不该用softmax激活。softmax会将所有输出值归一化到总和为1，当只有1个输出神经元时，无论输入是什么，输出都会被强制映射为1.0，这是得到固定预测值的直接原因。回归任务应去掉激活函数用线性输出，若标签已归一化到0-1区间也可替换为sigmoid激活。
• 评价指标选择错误：accuracy是分类任务专属指标，回归任务下该指标完全无参考意义，应该替换为MAE、RMSE这类回归适用的评价指标。

其他潜在问题 #

• 输入数据未做归一化：如果输入特征或标签值域差异过大，容易导致模型训练不收敛。
• 训练轮数设置过少：10轮训练对于深度残差网络来说通常不足以收敛，可根据验证集表现调整到50-100轮。
• 残差块实现不匹配：需要确认residual_block函数的下采样逻辑和输出通道匹配规则，避免出现维度不匹配或梯度消失问题。

修正后的核心代码 #

def create_res_net():
    inputs = Input(shape=(50, 1))
    num_filters = 5
    
    t = BatchNormalization()(inputs)
    t = Conv1D(kernel_size=18, strides=1, filters=num_filters, padding="same")(t)
    t = relu_bn(t)
    
    num_blocks_list = [2, 5, 5, 2]
    for i in range(len(num_blocks_list)):
        num_blocks = num_blocks_list[i]
        for j in range(num_blocks):
            t = residual_block(t, downsample=(j==0 and i!=0), filters=num_filters)
        num_filters *= 2
    
    t = AveragePooling1D(2)(t)
    t = Flatten()(t)
    # 回归任务移除softmax激活，使用线性输出
    outputs = Dense(1)(t)
    
    model = Model(inputs, outputs)
    # 替换为回归适用的评价指标
    model.compile(optimizer='adam', loss='mse', metrics=['mae'])

    return model
model = create_res_net()
# 适当增加训练轮数，拆分验证集避免过拟合
model.fit(x=X, y=y_train, epochs=50, verbose=1, validation_split=0.2)

内容的提问来源于stack exchange，提问作者Houssem Eddine Louchene