Python 无论输入如何，Keras上的CNN收敛到相同的值

我最近一直在学习Keras，并尝试使用CNN访问CIFAR10数据集。但是，我训练的模型（您可以运行代码）对每个输入都返回相同的答案，不管是什么。我是否忘记了模型定义中的某些内容？

您正在进行x_测试预测

predictions = model.predict_classes(x_test, batch_size=50)

而不是拿它们和你的火车做比较

comparison = [(predictions[i], y_train_[i][0]) for i in range(0, len(predictions))]

---

我认为应该是y_检验

你在做x_检验的预测

predictions = model.predict_classes(x_test, batch_size=50)

而不是拿它们和你的火车做比较

comparison = [(predictions[i], y_train_[i][0]) for i in range(0, len(predictions))]

---

我想应该是y_测试

你忘了对图像进行标准化。目前，

x\u列

中的值在

[0255]

范围内。这会导致较大的梯度更新和训练过程暂停。在这种情况下，一个简单的标准化方案是：

x\u train=x\u train.astype（'float32'）/255
x_test=x_test.astype（'float32'）/255

这会导致值落在范围

[0,1]

内。那么你肯定会看到训练的进展

---

更复杂的标准化方案涉及特征方面（即像素方面）的标准化或居中。在这种方法中，我们对所有图像进行规格化，使所有图像中的每个像素的平均值为零，标准偏差为一（即，它们大多在

[-1,1]

范围内）：

#确保值是浮动的
x_-train=x_-train.astype（'float32'）
x_test=x_test.astype（'float32'）
x_平均值=x_序列平均值（轴=0）
x_列-=x_平均值
x_标准=x_列标准（轴=0）
x_列/=x_标准+1e-8#添加一个小常数以防止被零除
#使用训练数据的平均值和标准值规范化测试数据
x_检验-=x_平均值
x_试验/=x_标准+1e-8

---

请注意最后一部分：永远不要用自己的平均值和标准值来规范化测试数据。请使用训练平均值和标准值。

您忘记了规范化图像。目前，

x\u列

中的值在

[0255]

范围内。这会导致较大的梯度更新和训练过程暂停。在这种情况下，一个简单的标准化方案是：

x\u train=x\u train.astype（'float32'）/255
x_test=x_test.astype（'float32'）/255

这会导致值落在范围

[0,1]

内。那么你肯定会看到训练的进展

---

更复杂的标准化方案涉及特征方面（即像素方面）的标准化或居中。在这种方法中，我们对所有图像进行规格化，使所有图像中的每个像素的平均值为零，标准偏差为一（即，它们大多在

[-1,1]

范围内）：

#确保值是浮动的
x_-train=x_-train.astype（'float32'）
x_test=x_test.astype（'float32'）
x_平均值=x_序列平均值（轴=0）
x_列-=x_平均值
x_标准=x_列标准（轴=0）
x_列/=x_标准+1e-8#添加一个小常数以防止被零除
#使用训练数据的平均值和标准值规范化测试数据
x_检验-=x_平均值
x_试验/=x_标准+1e-8

---

请注意最后一部分：永远不要用自己的平均值和标准值来规范化测试数据。使用训练平均值和标准值来代替。

这肯定是正确的，我刚刚纠正了它，但两者仍然不匹配。你必须训练更长的时间，或者直到损失下降。损失14仍然很高增加历元数没有效果：就像网络收敛到局部最小值，不会从那里移动。这当然是真的，我刚刚纠正了它，但两者仍然不匹配。你必须训练更长的历元，或者直到损失下降。损失14仍然很高增加历元数没有效果：就像网络收敛到一个局部最小值，并且不会从那里移动。哦，标准化值成功了。没想到会有这么大的关系。非常感谢。哦，使值正常化成功了。没想到会有这么大的关系。非常感谢。