Python 损失极高，验证精度一致

这是Coursera提出的问题。培训部分的所有输出均符合预期。 我试过不同的层次，但都是一样的。也许我在处理数据集时犯了一些错误

我找不到，有人能帮忙吗？ 谢谢

模型输出如下图所示：

Epoch 1/5
858/857 [==============================] - 78s 91ms/step - loss: 15.4250 - accuracy: 0.0422 - val_loss: 15.5210 - val_accuracy: 0.0371
Epoch 2/5
858/857 [==============================] - 75s 88ms/step - loss: 15.4719 - accuracy: 0.0401 - val_loss: 15.5210 - val_accuracy: 0.0371
Epoch 3/5
858/857 [==============================] - 77s 89ms/step - loss: 15.4230 - accuracy: 0.0431 - val_loss: 15.5210 - val_accuracy: 0.0371
Epoch 4/5
858/857 [==============================] - 76s 89ms/step - loss: 15.4268 - accuracy: 0.0429 - val_loss: 15.5120 - val_accuracy: 0.0371
Epoch 5/5
858/857 [==============================] - 75s 88ms/step - loss: 15.4287 - accuracy: 0.0428 - val_loss: 15.5120 - val_accuracy: 0.0371

---

批大小很小，因为Coursera的Jupyter笔记本将其限制为10。

您的代码是正确的。我怀疑这与优化器有关。

---

尝试使用Adam而不是RMSProp，并尝试将Adam的学习速率设置为默认学习速率0.001。除此之外，您的笔记本正确地提取了标签和数据，制定了数据生成器，网络看起来是正确的。

您的代码是正确的。我怀疑这与优化器有关。

---

尝试使用Adam而不是RMSProp，并尝试将Adam的学习速率设置为默认学习速率0.001。除此之外，您的笔记本正确地提取了标签和数据，制定了数据生成器，网络看起来也正确。

谢谢！这很有效。我可以知道为什么优化器对结果的影响如此显著吗？我们应该如何选择优化器，我们是反复试验吗？@Leo这确实是神经网络的反复试验：/。如果您看到损失变化很大，一个简单的解决方案是降低学习率。如果失败，请尝试更改优化器。此链接可能提供有关更好选择的更多详细信息：。顺便说一句，如果你不再需要帮助，请考虑接受这个答案，让社区知道你不再需要帮助。这可以通过转到此答案的顶部，并单击向上和向下投票箭头下方的复选标记图标来完成。欢迎来到我们的社区！是的，谢谢，我接受了。你介意看看我的另一个问题吗？这个问题已经回答了很多，但我仍然找不到解决办法。谢谢非常感谢。这很有效。我可以知道为什么优化器对结果的影响如此显著吗？我们应该如何选择优化器，我们是反复试验吗？@Leo这确实是神经网络的反复试验：/。如果您看到损失变化很大，一个简单的解决方案是降低学习率。如果失败，请尝试更改优化器。此链接可能提供有关更好选择的更多详细信息：。顺便说一句，如果你不再需要帮助，请考虑接受这个答案，让社区知道你不再需要帮助。这可以通过转到此答案的顶部，并单击向上和向下投票箭头下方的复选标记图标来完成。欢迎来到我们的社区！是的，谢谢，我接受了。你介意看看我的另一个问题吗？这个问题已经回答了很多，但我仍然找不到解决办法。谢谢

Epoch 1/5
858/857 [==============================] - 78s 91ms/step - loss: 15.4250 - accuracy: 0.0422 - val_loss: 15.5210 - val_accuracy: 0.0371
Epoch 2/5
858/857 [==============================] - 75s 88ms/step - loss: 15.4719 - accuracy: 0.0401 - val_loss: 15.5210 - val_accuracy: 0.0371
Epoch 3/5
858/857 [==============================] - 77s 89ms/step - loss: 15.4230 - accuracy: 0.0431 - val_loss: 15.5210 - val_accuracy: 0.0371
Epoch 4/5
858/857 [==============================] - 76s 89ms/step - loss: 15.4268 - accuracy: 0.0429 - val_loss: 15.5120 - val_accuracy: 0.0371
Epoch 5/5
858/857 [==============================] - 75s 88ms/step - loss: 15.4287 - accuracy: 0.0428 - val_loss: 15.5120 - val_accuracy: 0.0371