我使用循环神经网络 (RNN) 进行预测，但由于某些奇怪的原因，它总是输出 1。这里我用一个玩具示例对此进行解释：

Example考虑一个矩阵M维度 (360, 5) 和一个向量Y其中包含 rowsumM。现在，使用 RNN，我想预测Y from M. Using rnn R包，我将模型训练为

   library(rnn) 
    M <- matrix(c(1:1800),ncol=5,byrow = TRUE) # Matrix (say features) 
    Y <- apply(M,1,sum) # Output equls to row sum of M
    mt <- array(c(M),dim=c(NROW(M),1,NCOL(M))) # matrix formatting as [samples, timesteps, features]
    yt <- array(c(Y),dim=c(NROW(M),1,NCOL(Y))) # formatting
    model <- trainr(X=mt,Y=yt,learningrate=0.5,hidden_dim=10,numepochs=1000) # training

我在训练时观察到的一件奇怪的事情是历元误差始终是 4501。理想情况下，历元误差应该随着历元的增加而减少。

接下来，我创建了一个与上述结构相同的测试数据集，如下所示：

M2 <- matrix(c(1:15),nrow=3,byrow = TRUE)
mt2 <- array(c(M2),dim=c(NROW(M2),1,NCOL(M2)))
predictr(model,mt2)

通过预测，我总是得到输出 1。 持续的纪元误差和相同的输出可能是什么原因？

更新#1

@Barker 提供的答案对我的问题不起作用。为了使其开放，我在这里通过保管箱链接共享简约数据训练数据 https://www.dropbox.com/s/6u4dsjkfbef9pxl/train.csv?dl=0, 测试数据 https://www.dropbox.com/s/nnmdvppvs1xfkii/test.csv?dl=0， 和我的R代码为.

数据详细信息：“功率”列是响应变量，它是温度、湿度和前几天从第 1 天到第 14 天消耗的功率的函数。

normalize_data <- function(x){
  normalized = (x-min(x))/(max(x)-min(x))
  return(normalized)
}

#read test and train data
traindat <- read.csv(file = "train.csv")
testdat <- read.csv(file = "test.csv")
# column "power" is response variable and remaining are predictors
# predictors in  traindata
trainX <- traindat[,1:dim(traindat)[2]-1]
# response of train data
trainY <- traindat$power
# arrange data acc. to RNN as [samples,time steps, features]
tx <- array(as.matrix(trainX), dim=c(NROW(trainX), 1, NCOL(trainX)))
tx <- normalize_data(tx) # normalize data in range of [0,1]
ty <- array(trainY, dim=c(NROW(trainY), 1, NCOL(trainY))) # arrange response acc. to predictors
# train model
model <- trainr(X = tx, Y = ty, learningrate = 0.08, hidden_dim = 6, numepochs = 400)

# predictors in test data
testX <- testdat[,1:dim(testdat)[2]-1]
testX <- normalize_data(testX) # normalize data in range of [0,1]
#testY <- testdat$power
# arrange data acc. to RNN as [samples,time steps, features]
tx2 <- array(as.matrix(testX), dim=c(NROW(testX), 1, NCOL(testX))) # predict
pred <- predictr(model,tx2)
pred

我改变了参数learning rate, hidden_dim, numepochs，但结果仍然是 0.9 或 1。

大多数 RNN 不喜欢没有恒定均值的数据。处理这个问题的一种策略是区分数据。要了解这是如何工作的，让我们使用一个基础R时间序列co2。这是一个具有良好平滑季节性和趋势的时间序列，因此我们应该能够对其进行预测。

对于我们的模型，我们的输入矩阵将是“季节性”和“趋势”co2时间序列，使用创建stl分解。因此，让我们像之前一样制作训练和测试数据并训练模型（注意我减少了numepochs对于运行时）。我将使用最近一年半的所有数据进行训练，然后使用最近一年半的数据进行测试：

#Create the STL decomposition
sdcomp <- stl(co2, s.window = 7)$time.series[,1:2]

Y <- window(co2, end = c(1996, 6))
M <- window(sdcomp, end = c(1996, 6))
#Taken from OP's code
mt <- array(c(M),dim=c(NROW(M),1,NCOL(M)))
yt <- array(c(Y),dim=c(NROW(M),1,NCOL(Y))) 
model <- trainr(X=mt,Y=yt,learningrate=0.5,hidden_dim=10,numepochs=100)

现在我们可以对去年的测试数据进行预测：

M2 <- window(sdcomp, start = c(1996,7))
mt2 <- array(c(M2),dim=c(NROW(M2),1,NCOL(M2)))
predictr(model,mt2)

output:
      [,1]
 [1,]    1
 [2,]    1
 [3,]    1
 [4,]    1
 [5,]    1
 [6,]    1
 [7,]    1
 [8,]    1
 [9,]    1
[10,]    1
[11,]    1
[12,]    1
[13,]    1
[14,]    1
[15,]    1
[16,]    1
[17,]    1
[18,]    1

哎呀，又是全一，就像你的例子一样。现在让我们再试一次，但这次我们将对数据进行差异化。由于我们试图在一年半后进行预测，因此我们将使用 18 作为差分滞后，因为这些是我们提前 18 个月知道的值。

dco2 <- diff(co2, 18)
sdcomp <- stl(dco2, s.window = "periodic")$time.series[,1:2]
plot(dco2)

太好了，趋势现在已经消失了，所以我们的神经网络应该能够更好地找到模式。让我们用新数据再试一次。

Y <- window(dco2, end = c(1996, 6))
M <- window(sdcomp, end = c(1996, 6))

mt <- array(c(M),dim=c(NROW(M),1,NCOL(M)))
yt <- array(c(Y),dim=c(NROW(M),1,NCOL(Y)))
model <- trainr(X=mt,Y=yt,learningrate=0.5,hidden_dim=10,numepochs=100)

M2 <- window(sdcomp, start = c(1996,7))
mt2 <- array(c(M2),dim=c(NROW(M2),1,NCOL(M2)))
(preds <- predictr(model,mt2))

output:
              [,1]
 [1,] 9.999408e-01
 [2,] 9.478496e-01
 [3,] 6.101828e-08
 [4,] 2.615463e-08
 [5,] 3.144719e-08
 [6,] 1.668084e-06
 [7,] 9.972314e-01
 [8,] 9.999901e-01
 [9,] 9.999916e-01
[10,] 9.999916e-01
[11,] 9.999916e-01
[12,] 9.999915e-01
[13,] 9.999646e-01
[14,] 1.299846e-02
[15,] 3.114577e-08
[16,] 2.432247e-08
[17,] 2.586075e-08
[18,] 1.101596e-07

好吧，现在有东西了！让我们看看它与我们试图预测的相比如何，dco2:

并不理想，但我们正在寻找数据的一般“上下”模式。现在，您所要做的就是调整您的学习率，并开始使用所有这些可爱的超参数进行优化，这些超参数使神经网络的使用变得如此愉快。当它按照您想要的方式工作时，您只需获取最终输出并添加回过去 18 个月的训练数据即可。