当我在训练时，我的损失似乎在下降，但我的准确性在整个训练过程中保持不变。无论我如何调整网络、输入数据长度等，它似乎总是接近 0.0023。
我的输入数据是当前样本级别之前的一系列样本级别。所以基本上根据之前的样本水平来预测当前的样本水平。
网络是顺序的：
Dense(seq_length)
LSTM(seq_length*10)
Dense(1)
验证集是总输入样本的 0.33。
在 Windows 上使用 TensorFlow Keras。
损失、准确度、val损失等的CSV： https ://pastebin.com/GPsmeUmg
一切都很好，损失正在下降，你的模型正在学习。问题是您在回归问题上使用准确性。
准确度应该只用于分类。刚开始时，这是一个非常常见的错误。如果您想要另一个指标，那么您可以使用mean_absolute_error它，顾名思义，它告诉您模型平均误差有多大。
准确性不起作用的原因是因为它仅适用于您拥有的完全匹配y_true == y_pred。在回归中，您使用的是连续值，这使得这种情况非常罕见，并且与模型的性能没有太大关系。
您获得任何准确性的原因很可能是因为 Keras 做到y_true == round(y_pred)了，四舍五入了模型预测。否则精度几乎总是为零，因为模型永远不会得到相同的小数。这个问题由 Esmailian 提供了一个很好的答案，对此进行了更详细的介绍。
我假设您正在尝试使用 LSTM 进行分类任务，并且您的验证准确度没有增加。
我认为这是您建模不学习的原因，即数据量有限。