Python 为什么这个神经网络'；s损耗始终为0.0，精度始终为1.0？

我试图在大约80个条目的数据集上训练一个基本的前馈神经网络（主要是为了证明概念，我知道我的数据集太小了）。我的代码基于。我选择了10个批量大小，并运行了8个步骤：

learning_rate = 0.01
num_steps = 8
batch_size = 10
display_step = 1

num_input = 16
n_hidden_1 = 8
n_hidden_2 = 8
num_classes = 1

X = tf.placeholder("float", [None, num_input])
Y = tf.placeholder("float", [None, num_classes])

weights = {
    'h1': tf.Variable(tf.random_normal([num_input, n_hidden_1])),
    'h2': tf.Variable(tf.random_normal([n_hidden_1, n_hidden_2])),
    'out': tf.Variable(tf.random_normal([n_hidden_2, num_classes]))
}
biases = {
    'b1': tf.Variable(tf.random_normal([n_hidden_1])),
    'b2': tf.Variable(tf.random_normal([n_hidden_2])),
    'out': tf.Variable(tf.random_normal([num_classes]))
}

layer_1 = tf.add(tf.matmul(X, weights['h1']), biases['b1'])
layer_2 = tf.add(tf.matmul(layer_1, weights['h2']), biases['b2'])
logits = tf.matmul(layer_2, weights['out']) + biases['out']

prediction = tf.nn.softmax(logits)
loss_op = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=Y))
optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate)
train_op = optimizer.minimize(loss_op)
correct_pred = tf.equal(tf.argmax(prediction, 1), tf.argmax(Y, 1))
accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32))
init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    for step in range(0, num_steps):
        batch_x, batch_y = manager.import_data()

        batch_x = batch_x[step * batch_size:(step + 1) * batch_size]
        batch_y = batch_y[step * batch_size:(step + 1) * batch_size]

        batch_x = np.reshape(batch_x, (batch_size, num_input))
        batch_y = np.reshape(batch_y, (batch_size, num_classes))
        sess.run(train_op, feed_dict={X: batch_x, Y: batch_y})
        if step % display_step == 0 or step == 1:
            loss, acc = sess.run([loss_op, accuracy], feed_dict={X: batch_x, Y: batch_y})
            print("Step " + str(step) + ", Minibatch Loss= " + \
                  "{:.4f}".format(loss) + ", Training Accuracy= " + \
                  "{:.3f}".format(acc))

manager.import\u data（）

返回numpy数组的列表。我知道我应该随机化批次的选择，我最终会实现这一点——但是，输出是：

步骤0，小批量损失=0.0000，训练精度=1.000
步骤1，小批量损失=0.0000，训练精度=1.000
步骤2，小批量损失=0.0000，训练精度=1.000
步骤3，小批量损失=0.0000，训练精度=1.000
步骤4，小批量损失=0.0000，训练精度=1.000
步骤5，小批量损失=0.0000，训练精度=1.000
步骤6，小批量损失=0.0000，训练精度=1.000
步骤7，小批量损失=0.0000，训练精度=1.000

---

显然，情况不应该如此。我做错了什么

我猜在您的培训集中，所有项目都具有相同的标签（例如0）

---

处理神经网络时，最好的做法是准备3个不同的集合-训练、val和测试，在类之间的分布大致相同。Train用于训练时间，val用于每次迭代结束时保存或忽略模型。测试类似于对模型的现实检查，您不应该根据测试分数调整参数。

在神经网络中，您需要一个类的正面和负面示例。因此，该算法可以区分什么是汽车，什么不是。所以你需要更多的类来告诉他们什么是好的，什么是错的。谢谢