Блог

n_inputs определяется как-

 n_inputs = X.shape[1] 
 

и его стоимость составляет 25

Моя модель-

 # define encoder
visible = Input(shape=(n_inputs,))
# encoder level 1

'''
e = Dense(400)(visible)
e = Dropout(0.05)(e)
e = ReLU()(e)

'''

# encoder level 2
e = Dense(300)(visible)
e = Dropout(0.05)(e)
e = ReLU()(e)

# encoder level 3
e = Dense(200)(visible)
e = Dropout(0.05)(e)
e = ReLU()(e)

# encoder level 4
e = Dense(100)(visible)
e = Dropout(0.05)(e)
e = ReLU()(e)

# encoder level 4
e = Dense(50)(visible)
e = Dropout(0.05)(e)
e = ReLU()(e)



# bottleneck
n_bottleneck = n_inputs
bottleneck = Dense(n_bottleneck)(e)


# define decoder, level 1
d = Dense(50)(bottleneck)
d = Dropout(0.05)(d)
d = ReLU()(d)

# define decoder, level 2
d = Dense(100)(bottleneck)
d = Dropout(0.05)(d)
d = ReLU()(d)

# define decoder, level 3
d = Dense(200)(bottleneck)
d = Dropout(0.05)(d)
d = ReLU()(d)

# define decoder, level 4
d = Dense(300)(bottleneck)
d = Dropout(0.05)(d)
d = ReLU()(d)

'''
# define decoder, level 4
d = Dense(400)(bottleneck)
d = Dropout(0.05)(d)
d = ReLU()(d)

'''


# output layer
output = Dense(n_inputs, activation='sigmoid')(d)
# define autoencoder model
model = Model(inputs=visible, outputs=output)
# compile autoencoder model
opt = keras.optimizers.Adam(lr=0.00001)
es = EarlyStopping(monitor='val_loss', mode='min', verbose=1,patience=10)
model.compile(optimizer=opt, loss='binary_crossentropy')
# plot the autoencoder
#plot_model(model, 'drive/MyDrive/autoencoder_no_compress.png', show_shapes=True)
# fit the autoencoder model to reconstruct input
history = model.fit(X_train_norm, X_train_norm, epochs=500, batch_size=64, verbose=2, validation_split=0.1,callbacks=[es])
 

Мой график потерь-

Поезд и потеря валидации становятся постоянными очень скоро и не меняются также после 20 эпох. Является ли моя модель слишком сложной для данных или слишком простой, чтобы она тоже не подходила для увеличения эпох?

Я нормализовал свои данные, изменил различные скорости обучения, запустил их в течение 500 эпох с обратным вызовом