Machine learning 为什么神经网络的精确度保持不变？

我已经将纪元从10个增加到15个，但这对准确性没有影响。两次的准确率均为49.3%，损失为1.0%

你知道为什么会这样吗？我不熟悉TensorFlow和深度学习

以下是培训方法：

def训练神经网络（x）：
预测=神经网络模型（x）
成本=tf.reduce\u平均值（tf.nn.softmax\u交叉\u熵\u与logits（logits=prediction，labels=y））
优化器=tf.train.AdamOptimizer（学习率=0.001）。最小化（成本）
使用tf.Session（）作为sess：
sess.run（tf.global\u variables\u initializer（））
尝试：
epoch=int（打开（tf_log，'r'）.read（）.split（'\n'）[-2]）+1
打印（'起始：'，历元）
除：
历元=1
#这将使用日志文件跟踪各个时代
当历元=批量大小时：
_，c=sess.run（[optimizer，cost]，feed_dict={x:np.array（batch_x），
y:np.array（batch_y）}）
历元损失+=c
批次_x=[]
批次y=[]
批次运行+=1
打印（'批次运行：'，批次运行，'/'，总批次，'.'历元：'，历元，'.'批次损失：'，c，）
saver.save（sess，“./model.ckpt”）
打印（'Epoch'，Epoch，'completed out'，n_Epoch，'loss:'，Epoch_loss）
打开（tf_log，'a'）作为f：
f、 写入（str（历元）+'\n'）
历元+=1
训练神经网络（x）

除了“时代”之外，还有很多参数可以提高神经网络的效率

作为第一次尝试，您可能希望尝试以下方法：

• 不同批量
• 神经网络的不同架构（即，增加#层）
• 不同的特征转换（即，可能尝试词干分析而不是柠檬化）

你可以做的还有很多，我鼓励你看看这个

---

祝你好运！：）

您将什么作为培训数据传递给您的网络，能否向我们展示您的输入和标签的示例？另外，您能给我们展示一下每个培训批次包含哪些内容的简化图片吗？你的字典有多大？您在培训多少数据？最好将Keras与tensorflow后端一起使用，而不是使用纯tensorflow