输入不要变成3Dtensor
就(none,spectral_bands)即可
均方误差(MSE)是用于回归问题的常见损失函数
常见的回归指标是平均绝对误差(MAE)
如果训练数据不多,一种方法是选择隐藏层较少的小网络,以避免过度拟合。
RMSProp算法修改了AdaGrad的梯度积累为指数加权的移动平均,使得其在非凸设定下效果更好。
Adam中动量直接并入了梯度一阶矩(指数加权)的估计。其次,相比于缺少修正因子导致二阶矩估计可能在训练初期具有很高偏置的RMSProp,Adam包括偏置修正,修正从原点初始化的一阶矩(动量项)和(非中心的)二阶矩估计。Adam优化器的表现可圈可点,比RMSProp优化器要稳定
(以下在程序中还未修改)
#计算平均值和方差的时候不用测试集的数据
mean = train_data.mean(axis=0)
std = train_data.std(axis=0)
train_data = (train_data - mean) / std
test_data = (test_data - mean) / std
loss和metrics:
https://keras.io/api/metrics/regression_metrics/#meansquarederror-class