Estou tentando criar um modelo simples baseado em aprendizado profundo para prevery=x**2 Mas parece que o aprendizado profundo não é capaz de aprender a função geral fora do escopo de seu conjunto de treinamento.

ntuitivamente, posso pensar que a rede neural pode não ser capaz de ajustar y = x ** 2, pois não há multiplicação envolvida entre as entrada

Observe que não estou perguntando como criar um modelo para caberx**2. Eu já consegui isso. Quero saber as respostas para as seguintes perguntas:

Minha análise está correta?Se a resposta a 1 for sim, o escopo de previsão do aprendizado profundo não é muito limitado?xiste um algoritmo melhor para prever funções como y = x ** 2 dentro e fora do escopo dos dados de treinament

Caminho para completar o notebook:https: //github.com/krishansubudhi/MyPracticeProjects/blob/master/KerasBasic-nonlinear.ipyn

training input:

x = np.random.random((10000,1))*1000-500
y = x**2
x_train= x

código de treinamento

def getSequentialModel():
    model = Sequential()
    model.add(layers.Dense(8, kernel_regularizer=regularizers.l2(0.001), activation='relu', input_shape = (1,)))
    model.add(layers.Dense(1))
    print(model.summary())
    return model

def runmodel(model):
    model.compile(optimizer=optimizers.rmsprop(lr=0.01),loss='mse')
    from keras.callbacks import EarlyStopping
    early_stopping_monitor = EarlyStopping(patience=5)
    h = model.fit(x_train,y,validation_split=0.2,
             epochs= 300,
             batch_size=32,
             verbose=False,
             callbacks=[early_stopping_monitor])


_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
dense_18 (Dense)             (None, 8)                 16        
_________________________________________________________________
dense_19 (Dense)             (None, 1)                 9         
=================================================================
Total params: 25
Trainable params: 25
Non-trainable params: 0
_________________________________________________________________

valiação no conjunto de testes aleatóri

aprendizado profundo neste exemplo não é bom em prever uma função não linear simples. Mas bom em prever valores no espaço de amostra dos dados de treinament