Question

我正在尝试使用自动编码器来压缩时间波。我正在使用下面提到的体系结构。

#input_wave = Input(shape=(7500,))
encoded_1 = Dense(1000, activation='tanh',input_shape=(7500,))
encoded_2 = Dense(500, activation='tanh')
encoded_3 = Dense(300, activation='tanh')
encoded_4 = Dense(128, activation='tanh')

decoded_3 = Dense(300, activation='tanh')
decoded_2 = Dense(500, activation='tanh')
decoded_1 = Dense(1000, activation='tanh')
decoded_0 = Dense(7500, activation='linear')

这是正在使用的损失函数

#autoencoder = Model(input_img, decoded)
autoencoder.compile(optimizer='adadelta', loss='binary_crossentropy')

autoencoder.fit(x_train, x_train,
            epochs=15,
            batch_size=300,
            shuffle=True,
            validation_data=(x_test, x_test),
            callbacks=[TensorBoard(log_dir='/tmp/autoencoder')])

这就是我的验证分数。 my validation scores

但是当我尝试使用预测和重构波时，它似乎只是一种噪音。 Predicted and real timewave

我在做什么错？任何线索将不胜感激。

更新：在将损失函数更改为MSE并将优化器更改为adam之后，我看到了网络过度拟合。验证损失永远不会显着下降。请查看随附的屏幕截图。 enter image description here

更新我将数据长度缩短到2500，并且开始工作。我认为我的模型不够复杂，无法将7500压缩到128，或者根本不可能。因此，我使用3个单独的模型来压缩数据。感谢大家。

Keras中的自动编码器具有较低的验证损失，但重构只是一种噪音

0 个答案: