我正在Keras中实现神经网络，经过几轮训练后，网络输出与输出层中的偏置权重完全相关 . 因此，无论输入如何，网络输出都是相同的 . 这些数据以前产生了很好的结果，但我已经做了一些事情来解决这个问题 . 我做的一个改变是让网络更容易调整，我实例化它：
layers = [40, 8, 4]
model = Sequential()
model.add(Dense(layers[0], input_dim=np.shape(train_x_scaled)[1], activation='relu'))
for layer_size in layers[1:]:
model.add(Dense(layer_size, activation='relu'))
model.add(Dense(np.shape(train_y_scaled)[1], activation='sigmoid'))
optimizer = optimizers.Adam(lr=0.01)
model.compile(loss='mean_squared_error', optimizer=optimizer, metrics=['mse'])
history = model.fit(train_x_scaled, train_y_scaled, epochs=iters)
训练输入具有形状（1513,3048）并且目标具有形状（1513,254） .
1 回答
我想我发现了我的问题 . 我的网络形状是3048,40,8,4,254 . 通过在输出之前缩小范围，它限制了可以描述的决策，并且网络刚刚学会忽略输入 . 我确实有一个成功的训练运行这种形状，所以我怀疑我很幸运，在那个实例中的权重初始化 . 我将网络改为3048,40,8,40,454我能够再次完成有用的训练 .