Python Tensorflow不是'；t重新编码一个热编码标签

我正在训练我的CNN在10K灰度图像上，这些图像的大小被调整为50x50px，有6个类使用一个热编码器。当我训练模型时，我得到的模型从一个疯狂的高损失降到了大约190（我能得到的最低值），并且有大约16%的可怕的准确率。当我使用10张测试图像进行预测时，我会收到一个由10个数字组成的序列，这些数字通常与[2 2 2 2 2 2 2 2 2]或[5 5 5 5 5 5 5]相同，但情况并非总是如此，有时它可能只是一组随机数

我是这样编码的：

def load_data(TRAINING_DIR):
    images = []
    labels = []
    directories = [d for d in os.listdir(TRAINING_DIR) 
                if os.path.isdir(os.path.join(TRAINING_DIR, d))]
    # Need to sort these because
    # floyd hum jumbled up the order
    directories = sorted(directories, key=int)

# Traverse through each directory and make a list
# of files names if they end in the PNG format
for d in directories:
    label_directory = os.path.join(TRAINING_DIR, d)
    file_names = [os.path.join(label_directory, f) 
                    for f in os.listdir(label_directory) 
                      if f.endswith(".png")]
    #Traverse through each file, add the image data
    # and label to the 2 lists
    for f in file_names:
        images.append(skimage.data.imread(f))
        labels.append(int(d))

return images, labels

images, labels = load_data(TRAINING_DIR)

images = np.array(images, object)
labels = np.array(labels, object)

# Convert labels into a one hot vector 
labels = pd.get_dummies(labels)

print('imported...')

然后，当我训练模型时，它看起来实际上是在训练，因为损失在减少。但是，当我对模型进行推断时，预测的标签与热编码标签的格式完全不同？这是我的课程

def train_network(x):
pred = convolutional_network(x)
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels = y, logits = pred))
train_op = tf.train.AdamOptimizer(learning_rate=0.085).minimize(loss)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer()) # Initialize all the variables
    saver = tf.train.Saver()

    time_full_start = time.clock()
    print("RUNNING SESSION...")
    for epoch in range(num_epochs):

        epoch_loss = 0
        time_epoch_start = time.clock()
        i = 0
        while i < len(images):
            start = i
            end = i+ batch_size
            train_batch_x = images[start:end]
            train_batch_y = labels[start:end]

            print('Training...')
            op , loss_value = sess.run([train_op, loss], feed_dict={x: train_batch_x, y: train_batch_y})
            epoch_loss += loss_value
            i += batch_size
        print('Epoch : ', epoch+1, ' of ', num_epochs, ' - Loss for epoch: ', epoch_loss)

def系列网络（x）： pred=卷积_网络（x） 损失=tf.reduce\u mean（tf.nn.softmax\u cross\u entropy\u与logits（labels=y，logits=pred）） 训练op=tf.train.AdamOptimizer（学习率=0.085）。最小化（损失） 使用tf.Session（）作为sess： run（tf.global_variables_initializer（））#初始化所有变量 saver=tf.train.saver（） time\u full\u start=time.clock（） 打印（“正在运行会话…”） 对于范围内的历元（num_历元）： 历元损失=0 time\u epoch\u start=time.clock（） i=0 而我 这是我所说的一个例子。在模型训练后，我反馈了10张第一类的图片，大部分都是5张。模型是否应该返回类似于[1,0,0,0,0,0,0,0,0,0]的内容，因为这就是它训练的内容

如果您想更仔细地查看代码，这里是jupyter笔记本

---

这是因为

correct\u pred=tf.argmax（pred，1）

，它为您提供了仅次于softmax的最高概率的类。您可以使用

predicted=sess.run（pred，feed\u dict={x:test\u images[0:10]}）

。现在，您将获得给定图像的每个类的概率，例如，您可能会得到6个类的[.1、.05、.05、.6、.1、.1]。您将无法获得[0,0,0,1,0,0]。现在，argmax将为您提供与.6对应的索引

此外，加上：

pred=tf.nn.softmax（pred）

---

我照你说的做了，但结果甚至不清晰，它们的浮点数太小，无法读取。我该如何着手解决这个问题？（图像中的结果仅针对一个图像）我添加了所需的代码。此外，浮点值非常大。你需要softmax在预测时对它们进行规范化。好吧，我认为我们取得了一些进展，但它每次对相同图像预测不同（且不正确）的一个热值，我需要在训练和重新训练模型时使用softmax函数吗？你已经在这里使用过它：loss=tf.reduce_mean（tf.nn.softmax_cross_entropy_with_logits（labels=y，logits=pred））。我不能说你为什么在没有详细说明的情况下得到错误的结果。

predicted = sess.run(pred_, feed_dict={x: test_images[0:10]})