Python tensorflow中预测函数的错误输出

我将对图像执行基于像素的分类。下面是我用来训练NN的代码

net = input_data(shape=[None, 1,4])
net = tflearn.lstm(net, 128, return_seq=True)
net = tflearn.lstm(net, 128)
net = tflearn.fully_connected(net, 1, activation='softmax')
net = tflearn.regression(net, optimizer='adam',
                         loss='categorical_crossentropy')
model = tflearn.DNN(net, tensorboard_verbose=2, checkpoint_path='model.tfl.ckpt')
X_train = np.expand_dims(X_train, axis=1)
model.fit(X_train, y_train, n_epoch=1, validation_set=0.1, show_metric=True,snapshot_step=100)

---

问题是，在训练模型之后，p.array（model.predict（x_test））的结果仅为1，尽管我预计这是2或3。在一个例子中，我有4类对象，我希望该命令的结果是一个介于2和5之间的标签（注意：y_列的int值介于2和5之间），但预测函数的输出仍然是1。这可能是培训阶段的问题吗？

参数

None

用于表示不同的培训示例。在您的情况下，由于您正在使用的自定义四通道数据集，每个图像总共有

28*28*4

参数

要使此LSTM工作，您应该尝试执行以下操作-

X = np.reshape(X, (-1, 28, 28, 4))
testX = np.reshape(testX, (-1, 28, 28, 4))

net = tflearn.input_data(shape=[None, 28, 28, 4])

当然，（这一点非常重要），请确保

重塑（）

将与numpy阵列的最后一个维度中的单个像素对应的四个不同通道放置，并且

28、28

对应于单个图像中的像素

---

---

如果您的图像没有尺寸

28*28

，请相应调整这些参数。

您肯定需要增加

n\u epoch

。我没有使用过

tf_learn

软件包，但是当你的问题是分类时，你怎么能使用

regression

呢？我是新手，只想做一些测试，只是从TFlearn网页上复制了这段代码，试着将

n_epoch

增加到5或10，看看是否有帮助？您是否在所有测试数据中始终获得

1

？是的，输出为1，并且似乎训练和预测不正确。您是否准确复制了Github代码，或者

输入数据中是否存在差异？不确定。我在这里遵循了这个例子。在我的情况下，我需要改变6到4，因为我有4个功能为每个像素。但是预测结果始终是1，尽管我预计是1和2。1个标签对应绿色像素，2个标签对应棕色像素。