使用Keras构建函数预测模型效果不佳，求问题排查与优化

嘿，我来帮你梳理下问题所在，你猜的没错，网络架构确实有核心问题，不过还有其他几个小细节也拖了后腿，咱们一步步来拆解：

核心问题：网络无法学习非线性映射 #

你的目标函数是五次多项式，属于典型的非线性函数，但你当前的网络架构里，中间的Dense(5)层没有设置激活函数——Keras里Dense层默认激活是linear（线性）。线性层的叠加本质上还是线性变换，整个网络等价于一个简单的线性模型，根本没法捕捉多项式里的高阶非线性特征！

其他需要调整的细节 #

除了激活函数，还有几个地方可以优化：

• 回归任务用错了指标：accuracy是分类任务的专属指标，对回归任务完全没用，应该换成回归相关的指标，比如mean_absolute_error或者mean_squared_error。
• 网络容量不足：五次多项式需要足够的神经元来拟合高阶项，中间只放5个神经元有点太少了，适当增加数量（比如16、32）或者多加一层，能大幅提升网络的拟合能力。
• 数据归一化（可选但推荐）：你的X范围是0-10，虽然数值不算极端，但把数据缩放到0-1或者-1到1的范围，能帮助Adam优化器更快收敛，减少训练过程中的波动。

修改后的代码示例 #

import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
import matplotlib.pyplot as plt

# 声明并初始化训练数据数组
X = np.arange(0.0, 10.0, 0.05)
Y = np.empty(shape=0, dtype=float)
# 计算Y值
for x in X:
    Y = np.append(Y, float(0.05*(15.72807*x - 7.273893*x**2 + 1.4912*x**3 - 0.1384615*x**4 + 0.00474359*x**5)))

# 数据归一化：把X缩放到0-1范围
X_normalized = X / 10.0

# 修改后的模型架构：加入非线性激活，提升容量
model = Sequential()
model.add(Dense(32, input_shape=(1,), activation='relu'))  # 第一层带ReLU激活
model.add(Dense(32, activation='relu'))  # 第二层带ReLU激活
model.add(Dense(1, activation='linear'))  # 输出层保持线性，适配回归任务

# 编译模型：替换为回归任务合适的指标
model.compile(loss='mean_absolute_error', optimizer='adam', metrics=['mean_absolute_error'])

# 训练模型：适当增加epochs，给网络足够的学习时间
model.fit(X_normalized, Y, epochs=500, batch_size=32, verbose=1)

# 预测并还原X的尺度
YPredict = model.predict(X_normalized)

# 绘制训练数据与预测结果
plt.plot(X, Y, 'C0', label='原始数据')
plt.plot(X, YPredict, 'C1', label='预测结果')
plt.legend()
plt.show()

为什么这样修改有效？ #

1. 非线性激活函数：ReLU让网络能够学习复杂的非线性映射，终于能捕捉多项式里的高阶项特征了。
2. 更大的网络容量：两层32神经元的结构，有足够的参数来拟合五次多项式的复杂规律。
3. 合适的指标：用mean_absolute_error作为训练过程的监控指标，能直观看到误差的变化趋势。
4. 数据归一化：让优化器在训练时更稳定，更快找到最优解。

如果你跑完这段代码，应该能看到橙色的预测线和蓝色的原始线贴合得非常紧密啦～

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