我正在使用ConvNets建立一个进行天气预报的模型。我的输入数据是96x144矩阵（代表地理区域）的10K样本，在网格的每个点上的固定高度处都有变量Z（地势高度）的值。如果我包括3个不同的高度（Z在不同的高度中非常不同），那么我将具有以下输入形状：（num_samples，96,144,3）。样本是每小时一次，一个样本= 1小时。我有将近2年的数据。输入的数据（Z）代表该小时的大气状态。
这可以被认为是具有3个通道的图像，但不是0-256范围内的像素值，而是Z的范围更大（最后一个通道的高度范围为7500至9500，第一个一个具有500到1500 aprox的范围。
我想预测降水（会下雨还是下雨？仅是二进制，是或否）。
在那个网格中，在我的国家的那个区域，我只有特定（x，y）点的输出数据（在整个区域中只有122个气象站带有降雨数据）。只有122（x，y）个点，我的值为1（那小时下雨）或0（没有）。
因此，我的输出矩阵是一个（num_samples，122）向量，如果该样本（该小时）下雨，则该站点的索引中包含1，否则不包含0。
因此，我在VGG16模型和这个https://github.com/prl900/precip-encoder-decoders/blob/master/encoder_vgg16.py（这是我在纸上找到的用于特定应用的模型）之间混合使用了。
我想知道我是否以正确的方式构建模型，我只是更改了输入层以匹配我的形状，而更改了FC层的最后一层以匹配我的班级（122，因为输入的特定示例，我希望有一个0x或1的1x122向量，具体取决于该站是否下雨，对吗？）。而且由于概率不是互斥的（如果在一个以上的站点下雨，我可以有多个1），所以我在最后一层使用了“ Sigmoid”激活。
我不知道要在编译中使用哪个度量，并且acc，mae和categorical acc在所有时期都保持相同（在第二个时期略有增加，但之后，acc和val_acc保持不变）每个时代）。
并且，在输出矩阵中有空值（工作站没有数据的小时数），我只是用-1值（如“我不知道”的标签）来填充NaN。这可能是因为什么都不起作用的原因？
非常感谢您的帮助，对不起您的解释。
def get_vgg16():
model = Sequential()
# Conv Block 1
model.add(BatchNormalization(axis=3, input_shape=(96,144,3)))
model.add(Conv2D(64, (3, 3), activation='relu', padding='same'))
model.add(BatchNormalization(axis=3))
model.add(Conv2D(64, (3, 3), activation='relu', padding='same'))
model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2)))
# Conv Block 2
model.add(BatchNormalization(axis=3))
model.add(Conv2D(128, (3, 3), activation='relu', padding='same'))
model.add(BatchNormalization(axis=3))
model.add(Conv2D(128, (3, 3), activation='relu', padding='same'))
model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2)))
# Conv Block 3
model.add(BatchNormalization(axis=3))
model.add(Conv2D(256, (3, 3), activation='relu', padding='same'))
model.add(BatchNormalization(axis=3))
model.add(Conv2D(256, (3, 3), activation='relu', padding='same'))
model.add(BatchNormalization(axis=3))
model.add(Conv2D(256, (3, 3), activation='relu', padding='same'))
model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2)))
# Conv Block 4
model.add(BatchNormalization(axis=3))
model.add(Conv2D(512, (3, 3), activation='relu', padding='same'))
model.add(BatchNormalization(axis=3))
model.add(Conv2D(512, (3, 3), activation='relu', padding='same'))
model.add(BatchNormalization(axis=3))
model.add(Conv2D(512, (3, 3), activation='relu', padding='same'))
model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2)))
# Conv Block 5
model.add(BatchNormalization(axis=3))
model.add(Conv2D(512, (3, 3), activation='relu', padding='same'))
model.add(BatchNormalization(axis=3))
model.add(Conv2D(512, (3, 3), activation='relu', padding='same'))
model.add(BatchNormalization(axis=3))
model.add(Conv2D(512, (3, 3), activation='relu', padding='same'))
model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2)))
# FC layers
model.add(Flatten())
model.add(Dense(4096, activation='relu'))
model.add(Dense(4096, activation='relu'))
model.add(Dense(122, activation='sigmoid'))
#adam = Adam(lr=0.001)
sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss='binary_crossentropy', optimizer=sgd, metrics=[metrics.categorical_accuracy,metrics.binary_accuracy, 'acc'])
print(model.summary())
return model
答案 0 :(得分：0)
要改进模型，需要考虑多种因素：
您的损失选择
您可以在这里做各种事情。您可以选择使用L2损失（最小化平方距离），其中每个站的目标都没有下雨（0）或下雨（1）。另一个（更准确的）选择是将每个输出视为该站下雨的概率。然后，您将对每个输出值应用二进制cross entropy损失。
二元交叉熵只是应用于两类分类问题的规则交叉熵。请注意，只有两种可能的结果时，P（y）= 1-P（x）。因此，您不需要添加任何额外的神经元。
弥补损失
不要将丢失的目标设置为-1。这没有意义，只会给训练带来噪音。假设您正在使用L2损失。如果您的网络预测该值会下雨，那将意味着（1-（-1））^ 2 = 4，这是一个非常高的预测误差。相反，您希望网络忽略这些情况。
您可以通过掩盖损失来做到这一点。假设您进行了Y =（num_samples，122）个预测，并且目标矩阵T的形状相同。您可以定义一个大小相同的二进制掩码M，其中一个为您知道的值，而在缺失值位置为零。那么，您的损失将为L = M *损失（Y，T）。对于缺失的值，损耗将始终为0，没有梯度：从它们中不会学到任何东西。
标准化输入
normalize/standardize输入始终是一个好习惯。这样可以避免某些功能比其他功能具有更大的相关性，从而加快了培训速度。在输入幅度很大的情况下，它也有助于稳定训练，防止梯度爆炸。
在您的情况下，您具有三个通道，每个通道遵循不同的分布（它具有不同的最小值和最大值）。在计算min + max / mean + stdv值时，您需要分别考虑每个通道（高度）的所有样本数据，然后应用这两个值对所有样本上的对应通道进行归一化/标准化。也就是说，给定一个大小为（N，96,144,3）的张量，分别对每个大小为（N，96,144,1）的子张量进行标准化/标准化。您将需要对测试数据应用相同的变换，因此请保存缩放比例值以备后用。