Python 3.x 未正确编辑学习数据

我在学习深度学习

我正在制作图形分类器：圆形、矩形、三角形、五角大楼、星形。一个热编码到label2idx=dict（矩形=0，圆=1，五角大楼=2，星形=3，三角形=4）

但每个历元的每一个学习速率都是相同的，它不了解图像

我制作了一个层，使用Relu函数作为激活函数，每个层使用仿射，最后一层使用Softmax，并使用Adam优化梯度

我总共有234个RGB图像要学习，它是在window paint 2D tool上创建的，大小为128*128，但不使用整个画布来绘制图形

这幅画看起来像：

火车的结果如何。左[]为预测，右[]为答案标签（我随机选取图像打印预测值和答案标签）：

我认为它学习的越多，预测应该像

[0.00143 0.09357 0.352 0.3 0.253][1 0 0 0 0]

，这意味着答案指数应该接近于0，但事实并非如此。 甚至列车精度有时也会达到1.0（100%）

我正在用下面的代码加载和标准化图像

\data\u list=data\u list=glob（'dataset\\training\\*\\\\*.jpg'））
数据集['train\u img']=\u load\u img（）
def_load_img（）：
数据=[data_列表中v的np.array（Image.open（v）]]
a=np.数组（数据）
a=a.重塑（-1，img_尺寸*3）
归还
#正常化
对于数据集中的v：
数据集['train\u img']=数据集['train\u img'].aType（np.32）
数据集['train\u img']/=数据集['train\u img'].max（）
数据集['train\u img']-=数据集['train\u img']。平均值（轴=1）。重塑（len（数据集['train\u img']），1）

编辑

我使用

Image.open（v.convert（'LA'）

检查我的预测值，例如：

[-3.98576886e-04  3.41216374e-05] [1 0]
[ 0.00698861 -0.01111879] [1 0]
[-0.42003415  0.42222863] [0 1]

仍然不了解图像。我删除了3个图形来测试它，所以我只有矩形和三角形共252个图像（我画了更多的图片）

而预测值通常类似于相反的值（3.1323，-3.1323或3.1323，-3.1303），我无法找出原因

不仅仅是增加数值精度，当我使用SGD作为优化器时，精度不会增加。同样准确

[ 0.02090227 -0.02085848] [1 0]
epoch:  0.5873015873015873
[ 0.03058879 -0.03086193] [0 1]
epoch:  0.5873015873015873
[ 0.04006064 -0.04004988] [1 0]
[ 0.04545139 -0.04547538] [1 0]
epoch:  0.5873015873015873
[ 0.05605123 -0.05595288] [0 1]
epoch:  0.5873015873015873
[ 0.06495255 -0.06500597] [1 0]
epoch:  0.5873015873015873

---

对。你的模型表现得很好。问题与规范化无关（甚至不是问题）。该模型实际预测值超出0,1，这意味着该模型非常自信

该模型不会尝试朝[1,0,0,0]方向优化，因为在计算损失时，它会首先剪裁这些值

---

希望这有帮助

当我尝试优化模型的梯度时，损失约为70%，SGD从未减少到0左右。甚至我用新的图像来检验它的准确率也在95%左右，但它并没有计算出图像的形状，但也许你是对的。正常化不是问题所在。谢谢，你说得对，模型工作得很好。问题是我要学的图像少了。谢谢

[ 0.02090227 -0.02085848] [1 0]
epoch:  0.5873015873015873
[ 0.03058879 -0.03086193] [0 1]
epoch:  0.5873015873015873
[ 0.04006064 -0.04004988] [1 0]
[ 0.04545139 -0.04547538] [1 0]
epoch:  0.5873015873015873
[ 0.05605123 -0.05595288] [0 1]
epoch:  0.5873015873015873
[ 0.06495255 -0.06500597] [1 0]
epoch:  0.5873015873015873