LSTM Keras培训中的Acc降低到零

Question

在尝试为轨迹分类实现LSTM网络时，即使是简单的轨迹，我也一直在努力获得不错的分类结果。而且，我的训练精度一直在波动，而没有明显提高，这在张量板上也可以看到：

训练准确性：

这是我的模特

model1 = Sequential()
model1.add(LSTM(8, dropout=0.2, return_sequences=True, input_shape=(40,2)))
model1.add(LSTM(8,return_sequences=True))
model1.add(LSTM(8,return_sequences=False))
model1.add(Dense(1, activation='sigmoid'))`

和我的培训代码：

model1.compile(optimizer='adagrad',loss='binary_crossentropy', metrics=['accuracy'])

hist1 = model1.fit(dataScatter[:,70:110,:],outputScatter,validation_split=0.25,epochs=50, batch_size=20, callbacks = [tensorboard], verbose = 2)

我认为问题可能出在数据输入和输出形状上，因为模型本身似乎还不错。数据输入的形状为（2000,40,2），输出的形状为（2000,1）。

有人能发现一个错误吗？

Answer 1

尝试更改：

model1.add(Dense(1, activation='sigmoid'))`

收件人：

model1.add(TimeDistributed(Dense(1, activation='sigmoid')))

TimeDistributed一次将相同的密集层（相同的权重）应用于LSTM输出，每次一次。

我也推荐本教程https://machinelearningmastery.com/timedistributed-layer-for-long-short-term-memory-networks-in-python/。

Answer 2

通过与数据相关的一些调整，我能够将准确性提高到97％。主要障碍是用于训练和验证集的不平衡数据集拆分。归一化输入轨迹带来了进一步的改进。我还增加了第一层中的单元格数量。