Python Tensorflow-模型仅预测6类中的2类

我正在建立一个CNN，用50x50像素的灰度图像对6个类别进行分类（每类1400张）。。在训练模型并评估损失和准确度后，一切似乎都很正常，训练准确度约为98%，损失降至3.0，但在根据每个类的测试数据评估模型时，模型已经偏离了方向。我的课程是面部表情图像： 1） 愤怒 2） 恐惧 3） 高兴的 4） 中立的 5） 悲哀的 6） 惊奇

这是Jupyter笔记本：

例如，当我为每一类输入350张测试图像时，只有愤怒和惊喜类被预测到

    TEST IMAGES                   RESULTS
    Angry -    it classified 76 angry, and 273 surprise

    Fear -     it classified 8 angry and 342 surprise

    Happy -    12 angry and 338 surprise

    Neutral -   350 surprise

    Sad -       22 angry and 328 surprise

    Surprise - a full 350/350 classified for this one.. 

很明显，人们对愤怒和惊讶有一定的偏见，因为没有一张图片被分类过

当我运行

acc.eval（{x:test\u images，y:test\u labels，is\u training:False}）

（每个类对应2100个图像）在训练后，我得到了82%的准确率，所以我不知道这是怎么发生的。模型是否可能一直在这两门课上训练

@注：图像和标签是一个热编码，也随机洗牌，批量标准化实施

---

更新

---

我重新训练了这个模型，它有着相同的影响，但课程不同。这一次，它喜欢悲伤和惊讶，而不是愤怒和惊讶。 结果如下：

Angry - Sad 259 and surprise 75
Fear - Sad 118 and surprise 218 (some classifications missing here for some reason)
Happy - Sad 167 times and suprise 160 times (same again, missing some classifications)
Neutral - sad 94 and surprise 249
Sad - sad 211 and surprise 122
Surprise - Sad 284 and surprise 52

---

代码中有一些东西，但最重要的是，由于某种原因，当

is\u training=False

时，它不起作用。如果设置

is_training=True

，即使未进行培训，也会给出可接受的结果。所以培训是可以的，但是评估不是很好

我现在无法回答这个问题，但可能值得调查

在Jupyter笔记本中附加固定代码。我已经改变了很多小事情，比如你取了已经设置为最大值的最大值，修正了这个问题，改变了随机洗牌以使用numpy，改变了加载测试图像以在加载后立即调整大小，等等。还有很多调试打印正在进行，对此表示抱歉。：）

看起来合理，验证准确率为88%（培训准确率为96.59%）。（也改为10个时代。）

---

看起来您的标签上的单元格[5]有相同的热编码。。。这是真的吗？是的，它们是一个热编码的，但这只是它们看起来几乎相同的机会，我检查了标签[0:100]，标签被正确地洗牌了