我的输入层有98个浮点值-5.0＆lt; x＆lt; 5.0和单个节点浮点输出，其值为-5.0 < x＆lt; 5.0
数据集非常大，为10GB，可以轻松扩展到更大的尺寸。
我最麻烦的部分是激活功能。输入和输出值为-5.0 < x＆lt; 5.0什么是最好的激活函数。
此外，如果你知道什么类型的神经网络（LSTM，CNN），辍学，隐藏图层数，batch_size和优化器最适合用于这样的数据集，那也是值得赞赏的。
尽管有大量的示例和信息，但我在尝试让所有这些参数对我的数据集都正确时遇到了一些麻烦。
答案 0 :(得分：1)
您可以使用手动拉伸的'tanh'。
独自一人，＆＃39; tanh＆＃39;从-1返回到+1。你可以拉伸它乘以5（或者可能只是多一点，例如5.1）。
model.add(YourLastLayer(..., activation='tanh'))
model.add(Lambda(lambda x: x * 5))
其他问题无法回答，我们不知道您的数据集是什么，数据的组织方式，代表的内容以及您希望实现的目标。
但似乎它是一个经典的Dense（或完全连接）网络案例。