Neural network InfoGainLoss会导致0的准确性和损失

我正在尝试训练一个类不平衡的语义分割网络。为了说明这一点，我尝试实现InfoGainLoss层，并指定了发布的infogain_矩阵，在这里，我为每个对角线元素使用了1个频率（类）。
然而，当训练时，准确度和损失都会立即收敛到0，即使基数较低，网络也会将所有内容标记为0类（“未知”）。我现在的问题是，是否应该在我链接的帖子中指定infogain_矩阵，如果是，那么网络的这种异常行为还有什么其他原因（我预计损失0精度1或损失INF精度0）

编辑：
因此，当我使用SoftMaxWithLoss层而不是InfoGainLoss来运行网络时，它立即开始将所有内容分类为最具代表性的类（class1占90%），并且不再改变。我现在的猜测是，我为infogain_矩阵配置的lmdb不正确。是否有人知道是否必须为caffe数据层指定lmdb的数据类型（图像和infogain_矩阵存储为float32），尽管没有这样说？或者，caffe数据层希望lmdb提供什么类型的数据？
LMDB是使用从中获取/修改的代码生成的，但对于图像，首先执行平均减法。我在python中测试了lmdb读出，这里我必须指定数据类型，否则会将错误重塑为原始矩阵维度

编辑2:

---

因此，错误确实存在于lmdb定义中，对于dtype=float，需要将数据附加到datum.float_数据，而不是datum.data，请参阅。现在一切看起来都正常了，精度和损失都没有问题：）

错误在于lmdb定义中，对于dtype=float，需要将数据附加到datum.float_数据，而不是datum.data（需要将其保留为空，以便caffe自动扫描datum.float_数据）

因此，使用python生成lmdb数据集的代码可以修改如下：

with env.begin(write=True) as txn:
    # txn is a Transaction object
    for i in range(N):
        datum = caffe.proto.caffe_pb2.Datum()
        datum.channels = X.shape[1]
        datum.height = X.shape[2]
        datum.width = X.shape[3]
        datum.float_data.extend(X[i].astype(float).flat)
        datum.label = int(y[i])
        str_id = '{:08}'.format(i)
        # The encode is only essential in Python 3
        txn.put(str_id.encode('ascii'), datum.SerializeToString())

问题是，如果您错误地将浮点数据附加到datum.data而不是datum.float_数据，caffe不会抛出错误，但会导致异常行为，如精度和损失都变为0（因为对于某些类，由于数据类型不匹配，infogain_mat H可能为0）