为了好玩，我尝试创建一个神经网络，它可以在1.5秒内检测球连续两次反弹的时差(t2 - t1)(不考虑第三次反弹)。这个想法是，如果你有前两次反弹的时差，你可以计算初始反弹高度，通过一个物理公式。">
CNN的输入是如下图所示的频谱图。输出是一个神经元，它将输出第一次反弹和第二次反弹之间的时间差(第一次反弹t1 -第二次反弹t2)。总的来说，这个CNN有1000个样本。
前两个弹跳可以具有相同的时差，但放置在其他地方。例如,一个样品可能t2-t1 = 0.810 - -0.530 = 0.280,另一个样品可能是0.980 - -0.7 = 2.80。这在例1和例2中很清楚。
图例1
图例2
下面是完整的代码(不多): https://www.codepile.net/pile/Al51wXl6
网络结构如下:
cnn = tf.keras.models.Sequential()
cnn.add(tf.keras.layers.Conv2D(filters=32, kernel_size=5, activation='relu', input_shape=[1025, 65, 1]))
cnn.add(tf.keras.layers.MaxPool2D(pool_size=2, strides=2))
cnn.add(tf.keras.layers.Conv2D(filters=32, kernel_size=3, activation='relu'))
cnn.add(tf.keras.layers.MaxPool2D(pool_size=2, strides=2))
cnn.add(tf.keras.layers.Flatten())
cnn.add(tf.keras.layers.Dense(units=128, activation='relu'))
cnn.add(tf.keras.layers.Dense(units=1, activation='sigmoid'))
cnn.compile(optimizer = 'adam', loss = 'binary_crossentropy', metrics = ['accuracy'])
cnn.fit(X_train, y_train, validation_data=(X_test, y_test), epochs=30)
输出远没有达到我所希望的精度:
Mean Absolute error is: ~0.3
所以我的问题是，我是否误解了CNN，或者为什么我的CNN不能完成这个任务。
最严重的错误
损失函数和输出单元的选择
您有一个回归任务(预测连续变量时差)。损失函数是binary_crossentropy，用于分类。必须使用"mean_squared_error"相反。
输出神经元非线性为sigmoid，用于分类(或其他应该在0.0和1.0之间饱和的东西)。建议使用linear。