Python Tensorflow：从图像预测浮点值始终返回0

我有一个模型如下：

来自tensorflow导入keras的

从tensorflow.keras.layers导入稠密、Conv2D、展平、MaxPoolig2D
模型=keras.连续([
Conv2D（16，（3，3），padding='same'，activation='relu'，input_shape=（480，640，3），data_format=“channels_last”），
MaxPoolig2D（），
Conv2D（32，（3，3），padding='same'，activation='relu'），
MaxPoolig2D（），
Conv2D（64，（3，3），padding='same'，activation='relu'），
MaxPoolig2D（），
展平（），
致密（480，活化='relu'），
密集（1，激活=“relu”）
])
model.compile（优化器='adam'，
损失=keras.loss.MeanSquaredError（），
指标=[‘准确度’]）
纪元=3
模型拟合(
x=列车图像，
y=列_值，
时代
)

变量

train_images

是一个PNG图像数组（640x480像素），而

train_值

是一个浮点数组（例如：

[1.11842，-17.894，2.03，…）

我的目标是预测浮点值（至少，找到一些近似值），因此我认为在这种情况下，MSE应该是损失函数

然而，在训练模型之后，我不仅用

model.predict（test\u images）

而且用

model.predict（train\u images）

得到零

注意：我必须回忆一下，我的批处理只包含37个图像，而我的测试样本包含14个。我知道大小很荒谬，但这个脚本只是一个更大的概念

如果有帮助，下面是

model.summary（）

的结果：

---

首先，要更改激活函数，relu限制值，以便任何低于0=0的值都是不可能的

其次，对y值进行规格化，因为它可以是-inf到+inf之间的任意值，对它们进行范围规格化并存储规格化参数。在运行时，您始终可以将其反转并获得实际值

此外，我建议，如果一个小火车组的网络过多，那么它很可能会训练得很好

现在请尝试一下这些建议，我认为规范化非常重要

---

另外：我建议让网络更深一些，你需要提取图像中的形状和纹理，而你的网络可能不够深（事实上甚至不够密集）为此，我建议使用keras加载一个预先训练过的模型，如VGG16，去掉头部，添加回归层，然后将其转移到数据集中。这样做会更好。

从输出层删除relu…@xdurch0是的，这就是问题所在！非常感谢。事实上，代码

activation=“relu”

最后一层是问题所在。此外，我将尝试您的建议，并检查是否得到更好的结果：）

Model: "sequential"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv2d (Conv2D)              (None, 480, 640, 16)      448       
_________________________________________________________________
max_pooling2d (MaxPooling2D) (None, 240, 320, 16)      0         
_________________________________________________________________
conv2d_1 (Conv2D)            (None, 240, 320, 32)      4640      
_________________________________________________________________
max_pooling2d_1 (MaxPooling2 (None, 120, 160, 32)      0         
_________________________________________________________________
conv2d_2 (Conv2D)            (None, 120, 160, 64)      18496     
_________________________________________________________________
max_pooling2d_2 (MaxPooling2 (None, 60, 80, 64)        0         
_________________________________________________________________
flatten (Flatten)            (None, 307200)            0         
_________________________________________________________________
dense (Dense)                (None, 480)               147456480 
_________________________________________________________________
dense_1 (Dense)              (None, 1)                 481       
=================================================================
Total params: 147,480,545
Trainable params: 147,480,545
Non-trainable params: 0