我正在使用Keras Tensorflow处理回归问题 . 我发现了一些有趣的东西 . 1）这里有两个模型，除了第一个模型使用全局定义的“优化器”之外，它们实际上是相同的 .
optimizer = Adam() #as a global variable
def OneHiddenLayer_Model():
model = Sequential()
model.add(Dense(300 * inputDim, input_dim=inputDim, kernel_initializer='normal', activation=activationFunc))
model.add(Dense(1, kernel_initializer='normal'))
model.compile(loss='mean_squared_error', optimizer=optimizer)
return model
def OneHiddenLayer_Model2():
model = Sequential()
model.add(Dense(300 * inputDim, input_dim=inputDim, kernel_initializer='normal', activation=activationFunc))
model.add(Dense(1, kernel_initializer='normal'))
model.compile(loss='mean_squared_error', optimizer=Adam())
return model
2）然后，我使用两种方案来训练数据集（训练集（scaleX，Y）;测试集（scaleTestX，testY）） .
2.1）Scheme1 . 与第一个模型连续两次拟合
numpy.random.seed(seed)
model = OneHiddenLayer_Model()
model.fit(scaleX, Y, validation_data=(scaleTestX, testY), epochs=250, batch_size=numBatch, verbose=0)
numpy.random.seed(seed)
model = OneHiddenLayer_Model()
history = model.fit(scaleX, Y, validation_data=(scaleTestX, testY), epochs=500, batch_size=numBatch, verbose=0)
predictY = model.predict(scaleX)
predictTestY = model.predict(scaleTestX)
2.2）Scheme2 . 一个适合第二个模型
numpy.random.seed(seed)
model = OneHiddenLayer_Model2()
history = model.fit(scaleX, Y, validation_data=(scaleTestX, testY), epochs=500, batch_size=numBatch, verbose=0)
predictY = model.predict(scaleX)
predictTestY = model.predict(scaleTestX)
3） . 最后，为每个方案绘制结果，如下所示，（模型损失历史 - >在scaleX上预测 - >在scaleTestX上预测，
3.1）Scheme1
3.2）Scheme2（500个纪元）
3.3）使用Scheme2再添加一个测试并设置epochs = 1000
从上面的图像中，我发现 Scheme1 是 better 而不是 Scheme2 ，即使Scheme2设置了更多的纪元 .
任何人都可以帮忙解释为什么Scheme1更好？非常感谢！！！