python人工神经网络 tensorflow_用不同的人工神经网络框架（ffnet，tensorflow）复制结果...

我试图用人工神经网络来模拟一个技术过程(一些非线性方程)。该函数有多个输入和多个输出(例如50个输入，150个输出-所有浮点)。在

我尝试了python library ffnet(fortran库的包装器)并取得了巨大成功。某个数据集的误差远低于0.2%。在

它使用的是完全连通图和这些附加参数。在Basic assumptions and limitations:

Network has feed-forward architecture.

Input units have identity activation function, all other units have sigmoid activation function.

Provided data are automatically normalized, both input and output, with a linear mapping to the range (0.15, 0.85). Each input and output is treated separately (i.e. linear map is unique for each input and output).

Function minimized during training is a sum of squared errors of each output for each training pattern.

我使用一个输入层，一个隐藏层(大小：输入向量的2/3+输出向量的大小)和一个输出层。我用的是scipy共轭梯度优化器。在

ffnet的缺点是训练时间长，缺乏使用gpu的功能。因此，我想切换到另一个框架，并选择了keras和TensorFlow作为后端。在

我曾尝试对以前的配置进行建模：

^{pr2}$

然而，结果要差得多，只有几千(！)的误差高达0.5%训练的时代。ffnet培训在292个时代自动取消。此外，网络响应与验证目标之间的差异不是以0为中心，而是大部分为负值。

我试过所有的优化器和不同的损失函数。我还跳过了批处理规范化，并以与ffnet相同的方式手动规范化数据。什么也帮不上忙。在

是否有人建议使用KERA获得更好的结果？