我有一个数据集 C 50,000 （二进制）样本 128 每个 . 类标签也是二进制 1 或 -1 . 例如，样本看起来像这样 [1,0,0,0,1,0, .... , 0,1] [-1] . 我的目标是根据二进制类（即1或-1）对样本进行分类 . 我想尝试使用Recurrent LSTM 来生成一个好的分类模型 . 为此，我使用 Keras 库编写了以下代码：
tr_C, ts_C, tr_r, ts_r = train_test_split(C, r, train_size=.8)
batch_size = 200
print('>>> Build STATEFUL model...')
model = Sequential()
model.add(LSTM(128, batch_input_shape=(batch_size, C.shape[1], C.shape[2]), return_sequences=False, stateful=True))
model.add(Dense(1, activation='softmax'))
print('>>> Training...')
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
model.fit(tr_C, tr_r,
batch_size=batch_size, epochs=1, shuffle=True,
validation_data=(ts_C, ts_r))
但是，我的准确率不高，不超过55％ . 我试图改变激活功能以及损失功能，希望提高准确性，但没有任何作用 . 令人惊讶的是，当我使用多层感知器时，我的准确率非常高，约为97％ . 因此，我开始质疑LSTM是否可以用于分类，或者我的代码可能缺少某些东西或者它是错误的 . 请注意，我想知道代码是否缺少或错误以提高准确性 . 任何帮助或建议表示赞赏 .
1 回答
当您只有一个输出单位时，不能使用
softmax作为输出，因为它总是输出一个常量值1. 您需要将输出激活更改为sigmoid或将输出单位数设置为2并将损失设置为categorical_crossentropy. 我会建议第一个选择 .