Question

我正在尝试编写keras的逻辑回归模型。但是我发现了一些问题：

我使用的数据来自Coursera机器学习课程（由Andrew NG教授）ex2。

我的代码如下：

def model():
input_layer = Input(shape=(2,))
dense1 = Dense(1,activation='sigmoid',kernel_initializer=RandomNormal(seed=42),bias_initializer='zeros')(input_layer)
model = Model(input_layer,dense1)

return model
model.compile(loss=keras.losses.binary_crossentropy,optimizer=Adam(),metrics=['accuracy']) 
model.fit(x=X,y=y,batch_size=10,epochs=10,verbose=1)

这是我得到的结果： 100/100 [=============================]-0s 120us / step-损耗：0.6335-acc：0.6000 时代10/10 100/100 [=============================]-0s 130us / step-损耗：0.6326-acc：0.6000

但是，如果我使用matlab fminunc函数来查找结果，则会得到：火车精度：89.000000

为什么结果会有所不同？

谢谢

Answer 1

首先请确保您已标准化输入数据。尝试像这样标准化它：

X = X.astype('float32')
X_mean = X.mean(axis=0)
X -= X_mean
X_std = X.std(axis=0)
X /= X_std + 1e-8

进一步，在这种情况下，提高学习率也可能会有所帮助：optimizer=Adam(lr=1e-2)，它有助于培训以更少的时间收敛到解决方案。

keras的逻辑回归分类器

1 个答案: