有神经网络故障的机械工程师。我往正确的方向走了吗？我的数据集不够吗？

Question

我正在做一个项目，其中神经网络(NN)的适用性将被评估，我是相当新的学科。更准确地说，神经网络应该取代一个分析模型。该模型基于位移数据计算结构的受力和扭矩。神经网络的任务是通过回归来逼近力/矩。

有些作者认为，由输入、一个隐层和输出层组成的神经网络可能就足以实现这一目的。因此，我构造了一个具有这些特征的神经网络。神经网络有12个输入、8个隐式和6个输出神经元。这12个输入代表了6个不同点的两个方向的变形。6输出表示施加的力和力矩(Fx，Fy，Fz，Mx，My，Mz)。

为了训练和验证第52号模型的测量，使用了每一个由12个变形和6个力/力矩组成的测量。随后，将数据扩展到174项测量。在这两种情况下，神经网络不能很好地概括，训练“损失”是巨大的。我尝试改变神经网络的各种参数(如隐神经元数、激活函数、优化器、数据…的缩放)。。所有这些都没有带来任何重大变化。之后，我试图通过减少输出变量的数量来降低问题的复杂性。还是没有什么成功。

我主要担心的是，可供培训的数据数量太少。你们有什么建议或建议吗？有人能证实我的担心吗？

Answer 1

如果训练损失是“巨大的”，这意味着模型中存在缺陷，或者模型不够复杂。

不要把训练损失和概括混淆起来。泛化是通过测试集的准确性来衡量的。

关于培训数据，你试过数据增强吗？是否可以将转换应用于培训数据以派生新的示例。例如，如果我训练一个基于视频输入和控制输出的汽车驾驶模型，那么视频和控制输入就可以翻转成左转右转？