Python tensorflow训练一直效果不佳，只需几百步，损失很快降到0，准确率达到100%，已经困扰我好几个月了

我正在尝试使用tensorflow进行图像分类。总共有5个类别，每个类别大约有300幅图像

但在培训过程中，仅仅几百步，我就遇到了一些问题： 1，损失降为0，精度达到100% 2.添加验证集后（不知道添加的代码是否正确），验证集的丢失仍然减少到0，验证集的准确率仍然达到100%或90+%。 3.当使用测试代码进行测试时，结果非常糟糕，几乎无法识别正确性，但测试的最大概率为90+%

这是我的github代码地址：

通过tf.summary.image代码，您可以看到每100个步骤，输入的图像都是不同的，因此是否存在输入错误问题

代码培训是否正确？错误在哪里

损失和精度的计算代码是否错误

数据集有多少

---

为了社区的利益，在此提及解决方案

如果我们

标准化数据

，即通过将每个像素值除以

255

，问题就会得到解决

通过除以

255

，

0-255

范围可以用

0.0-1.0

范围来描述，其中

0.0

表示

0（0x00）

，

1.0

表示

255（0xFF）

标准化将帮助您消除图像中灯光和阴影造成的扭曲

标准化的示例代码如下所示：

(X_train, y_train), (X_test, y_test) = tf.keras.datasets.fashion_mnist.load_data()
X_train = X_train.astype(np.float32).reshape(-1, 28*28) / 255.0
X_train_reshaped = tf.reshape(X_train, shape=[-1, 28, 28, 1])
X_test = X_test.astype(np.float32).reshape(-1, 28*28) / 255.0
X_test_reshaped = tf.reshape(X_test, shape=[-1, 28, 28, 1])

---

您可能需要首先关注一个问题领域。就目前而言，这个问题过于宽泛，提出了多个问题。用1500张图片训练5个类别似乎太小了。与Cifar 10相比，Cifar 10有60000张图像和10个类别，这似乎相差了几个数量级。您可以使用预先训练的模型和转移学习，样本量很小。非常感谢您的回答，我将尝试增加数据集，但我最不理解的是，训练似乎无效，但损失可能达到0，准确率可能达到100%。您似乎太过合适了。你的模型实际上不是100%准确，但它说它是在训练数据上。是的，它在训练集和验证集上都过拟合，但我找不到原因。现在，我知道是什么导致了这种现象，因为没有使用标准化。但为什么不清楚它是否正常化？