Neural network 归一化后是否可能获得0精度？

我创建了一个具有4个隐藏层的神经网络，并使用ReLU作为它们的激活函数，使用softmax创建了一个输出层。当我给这个神经网络输入一个数据集时，我从它产生的预测中获得了一些准确性，但当我使用以下方法对相同的数据进行归一化时：

nx= (X - mean(X)) / stdev(X)

预测结果的准确度是零？！！ 为什么会这样？任何想法

我使用了这个简单的块：

# create model
model = Sequential()
model.add(Dense(hidden_size, input_dim=input_size, activation='relu'))

model.add(Dense(hidden_size, activation='relu'))

model.add(Dense(hidden_size, activation='relu'))

model.add(Dense(1, activation='softmax'))

# Compile model
model.compile(loss='mean_squared_logarithmic_error', optimizer='sgd',   metrics=['accuracy'])
# Compile model
model.compile(loss='mean_squared_logarithmic_error', optimizer='sgd', metrics=['accuracy'])

print("Test \n%s: %.2f%%" % (model.metrics_names[1], scores[1]*100))

# calculate predictions
predictions = model.predict(X_test)

---

忘记了方括号（X-mean（X））/std（X），但更可能是浮点整数的问题，我打赌你会给它输入一个零向量（nx==0）或类似的东西

不，我甚至对数据集进行了非规范化，它工作了（我指的是规范化的），我知道方括号，关于规范化的一切都是正确的！我只是在实际代码中添加了括号。我认为四层神经网络在将线性变换到模型中时不会有问题。如何初始化权重？就像任何权重初始化一样！我不知道你到底是什么意思！我正在使用keras和tensorflow作为后端。你能将层构建代码添加到你的问题中吗？