TensorFlow 神经网络只预测 1 作为结果

Posted 2023-03-12

【中文标题】TensorFlow 神经网络只预测 1 作为结果

【英文标题】：Tensorflow neural network only predicting 1 as result

【发布时间】：2018-06-28 22:12:18

【问题描述】：

由于某种原因，在对数据集进行训练后，以下代码仅预测任何输入的 1。请帮忙。已经尝试过降低学习率，分批训练（甚至一次一个），不使用初始权重为零，使用reduce_mean等。

xtf = tf.placeholder(tf.float32, [None,7])
w = tf.Variable(tf.truncated_normal([7,1], stddev=1./math.sqrt(7)))
b = tf.Variable(tf.zeros([1]))
ytf = tf.nn.softmax(tf.matmul(xtf, w) + b)
y_ = tf.placeholder(tf.float32, [None,1])
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(ytf),reduction_indices =[1]))
train_step = tf.train.GradientDescentOptimizer(0.001).minimize(cross_entropy)
sess = tf.InteractiveSession()
tf.global_variables_initializer().run()
ptr=0
batch = 1
x,y,xt = data()
while (ptr+100) <=(len(x)-1):
    x_batch, y_batch = x[ptr:ptr+100], y[ptr:ptr+100]
    sess.run(train_step, feed_dict=xtf: x_batch, y_: y_batch)
    ptr += 100
predict = sess.run(ytf, feed_dict=xtf: xt)

XTF = [[0.2711736617240513，0.014151057562208049，0.0，0.125，1.0，1.0，0.0]，[0.4722292033174164，0.13913573538264068，0.0，0.125，0.0，0.0，1.0]，[0.32143754712239253，0.015468569817999833，0.0，0.0，1.0，1.0 ，1.0]，[0.43453128926866047，0.10364429745562033，0.0，0.125，1.0，0.0，1.0]，[0.43453128926866047，0.015712553569072387，0.0，0.0，1.0，1.0，0.0]，[0.3465694898215632，0.01650950209357577，0.0，0.0，0.5，1.0，0.0 ]，[0.6732847449107816，0.10122885832000206，0.0，0.0，1.0，0.0，0.0]，[0.01985423473234481，0.04113566043083236，0.16666666666666666，0.375，1.0，1.0，0.0]，[0.33400351847197784，0.021730754366528396，0.3333333333333333，0.0，1.0，1.0，1.0]， [0.17064589092736868，0.058694292654020104，0.0，0.125，0.0，0.5，1.0]，[0.04498617743151546，0.03259622914329302，0.16666666666666666，0.125，1.0，1.0，1.0]，[0.7235486303091229，0.051822148727810165，0.0，0.0，1.0，0.0，1.0]，[0.24604171902488062 , 0.015712553569072387, 0.0, 0.0, 1.0, 1.0, 0.0], [0.4847951746670017, 0.061044734 51835265，0.8333333333333334，0.125，1.0，1.0，0.0]，[0.17064589092736868，0.015330377421392339，0.0，0.0，1.0，1.0，1.0]，[0.6858507162603669，0.03122992013728673，0.0，0.0，1.0，0.5，1.0]，[0.01985423473234481，0.056848213999904744， 0.16666666666666666，0.5％，0.5％，1.0，0.0]，[0.3465694898215632，0.025374310111545468，0.0，0.0，1.0，0.5，0.0]，[0.38426740387031916，0.03513366015444757，0.0，0.125，1.0，1.0，1.0]，[0.3465694898215632，0.014102260811993537，0.0， 0.0，0.0，1.0，1.0]，[0.43453128926866047，0.050748620223090936，0.0，0.0，1.0，0.5，0.0]，[0.42196531791907516，0.025374310111545468，0.0，0.0，1.0，0.5，0.0]，[0.18321186227695402，0.015671954672893913，0.0，0.0， 0.5，1.0，1.0]，[0.3465694898215632，0.06929138530460492，0.0，0.0，1.0，0.0，0.0]，[0.09525006282985675，0.04113566043083236，0.16666666666666666，0.375，1.0，1.0，1.0]，[0.4722292033174164，0.061264319894317944，0.8333333333333334，0.125，1.0， 1.0, 1.0], [0.3465694898215632, 0.014102260811993537, 0.0, 0.0, 0.0, 1.0, 0.0]，[0.23347574767529528，0.5133418122566505，0.3333333333333333，0.375，1.0，0.0，0.0]，[0.3465694898215632，0.01537917417160685，0.0，0.0，0.5，1.0，1.0]，[0.3465694898215632，0.015411575213749284，0.0，0.0，1.0，1.0，0.0] [0.4973611460165871，0.05410739813385612，0.0，0.0，0.0，0.0，0.0]，[0.3465694898215632，0.2859895551532101，0.0，0.125，0.0，0.0，1.0]，[0.3465694898215632，0.015126992566498259，0.0，0.0，0.5，1.0，1.0]，[ 0.8240764011058055，0.020494635090094415，0.0，0.0，1.0，0.5，0.0]，[0.3465694898215632，0.16038672010106，0.0，0.125，0.0，0.0，0.0]，[0.5224930887157577，0.10149724044618187，0.0，0.125，1.0，0.0，0.0]，[0.3465694898215632， 0.014110458666029575，0.0，0.0，0.0，1.0，0.0]，[0.2586076903744659，0.015712553569072387，0.0，0.0，1.0，1.0，0.0]，[0.22090977632570996，0.03513366015444757，0.0，0.25，1.0，1.0，1.0]，[0.17064589092736868，0.021942337075458514， 0.0, 0.125, 0.0, 1.0, 1.0], [0.4973611460165871, 0.018493968331299484, 0.0, 0.125, 1.0, 1.0, 1.0], [0.334003 51847197784，0.04098927018018883，0.0，0.125，1.0，0.5，1.0]，[0.3465694898215632，0.015411575213749284，0.0，0.0，0.0，1.0，0.0]，[0.032420206081930136，0.08115719346076702，0.3333333333333333，0.125，0.0，0.5，1.0]，[0.23347574767529528， 0.01537917417160685，0.0，0.0，0.5，1.0，1.0]，[0.3465694898215632，0.015712553569072387，0.0，0.0，1.0，1.0，0.0]，[0.3465694898215632，0.030253985132996517，0.0，0.125，0.5，1.0，0.0]，[0.3465694898215632，0.015126992566498259， 0.0，0.0，0.5，1.0，1.0]，[0.3465694898215632，0.04231498029001666，0.0，0.25，0.0，1.0，0.0]，[0.22090977632570996，0.034743286152731485，0.0，0.125，1.0，1.0，1.0]，[0.08268409148027142，0.07746484096553544，0.16666666666666666， 0.5，1.0，1.0，0.0]，[0.2586076903744659，0.01522458606692728，0.0，0.0，1.0，1.0，0.0]，[0.610454888162855，0.1497654242623688，0.0，0.125，0.0，0.0，1.0]，[0.35913546117114853，0.050748620223090936，0.0，0.125， 1.0, 0.5, 1.0], [0.8115104297562201, 0.1209753416358076, 0.16666666666666666, 0.0, 0.0 ，0.0，0.0]，[0.3465694898215632，0.06929138530460492，0.0，0.0，1.0，0.0，0.0]，[0.2586076903744659，0.020494635090094415，0.0，0.0，1.0，0.5，1.0]，[0.35285247549635584，0.014110458666029575，0.0，0.0，0.0，1.0 ，0.0]，[0.05755214878110078，0.05416439273810667，0.3333333333333333，0.125，1.0，0.5，1.0]，[0.13294797687861273，0.09154270340242172，0.3333333333333333，0.625，1.0，1.0，0.0]，[0.2711736617240513，0.014110458666029575，0.0，0.0，0.0，1.0，0.0 ]，[0.4722292033174164，0.15614960068643363，0.0，0.0，1.0，0.0，1.0]，[0.5601910027645137，0.16293234896625058，0.0，0.125，1.0，0.0，0.0]，[0.04498617743151546，0.05445717323939373，0.3333333333333333，0.375，1.0，1.0，0.0]， [0.3465694898215632，0.05410739813385612，0.0，0.0，0.0，0.0，0.0]，[0.3465694898215632，0.029757819776815374，0.16666666666666666，0.125，0.0，1.0，0.0]，[0.35913546117114853，0.020494635090094415，0.0，0.0，1.0，0.5，1.0]，[0.23347574767529528 , 0.015923941091001644, 0.0, 0.0, 1.0, 1.0, 0.0], [0.20834380497612465 ，0.015468569817999833，0.3333333333333333，0.5，1.0，1.0，1.0]，[0.32143754712239253，0.016908073949327893，0.0，0.25，1.0，1.0，0.0]，[0.39683337521990447，0.020494635090094415，0.0，0.0，1.0，0.5，0.0]，[0.19577783362653933，0.09154270340242172 ，0.3333333333333333，0.625，1.0，1.0，1.0]，[0.2586076903744659，0.1434624456306609，0.0，0.0，1.0，0.5，0.0]，[0.32143754712239253，0.028212719478023115，0.0，0.125，0.0，1.0，0.0]，[0.39683337521990447，0.11027245763075773，0.0 ，0.0，1.0，1.0，0.0]，[0.3088715757728072，0.014931805565640218，0.0，0.0，1.0，1.0，0.0]，[0.3465694898215632，0.015411575213749284，0.0，0.0，1.0，1.0，0.0]，[0.3465694898215632，0.015712553569072387，0.0，0.0 ，1.0，1.0，0.0]，[0.005152048253329982，0.056604230248832196，0.3333333333333333，0.0，1.0，0.5，0.0]，[0.37170143252073384，0.024349578357040744，0.0，0.0，1.0，1.0，1.0]，[0.2711736617240513，0.017566830077223785，0.0，0.0，1.0 , 1.0, 0.0], [0.35913546117114853, 0.018542765081513996, 0.0, 0.0, 1.0, 1.0, 0.0] [0.3465694898215632，0.015200187691820024，0.0，0.0，0.5，1.0，1.0]，[0.3465694898215632，0.09193307740413781，0.0，0.0，1.0，0.0，0.0]，[0.20834380497612465，0.020494635090094415，0.0，0.0，1.0，0.5，1.0]，[ 0.4093993465694898，0.030937139635999665，0.0，0.375，1.0，1.0，1.0]，[0.19577783362653933，0.06709553154495196，0.5％，0.125，1.0，1.0，0.0]，[0.3465694898215632，0.015712553569072387，0.0，0.0，1.0，1.0，0.0]，[0.2837396330736366， 0.5133418122566505，0.3333333333333333，0.375，1.0，0.0，1.0]，[0.2963056044232219，0.015712553569072387，0.0，0.0，1.0，1.0，0.0]，[0.35913546117114853，0.015712553569072387，0.0，0.0，1.0，1.0，0.0]，[0.24604171902488062，0.015330377421392339， 0.0，0.0，1.0，1.0，0.0]，[0.572756974114099，0.11940564777490723，0.0，0.125，1.0，0.0，0.0]，[0.32143754712239253，0.04015972542654215，0.3333333333333333，0.125，1.0，1.0，0.0]，[0.7361146016587082，0.014151057562208049，0.0， 0.0, 1.0, 1.0, 0.0], [0.3465694898215632, 0.015712553569072387, 0.0, 0.0, 1.0, 1.0, 0.0]，[0.8869062578537321，0.06764049365134761，0.0，0.0，0.0，0.0，0.0]，[0.2837396330736366，0.12366716556464086，0.16666666666666666，0.0，0.0，0.0，0.0]，[0.42196531791907516，0.04489301019734967，0.16666666666666666，0.0，1.0，0.5，1.0] ，[0.42196531791907516,0.050748620223090936,0.0，0.0，0.125,1.0,0.5,0.0]，[0.015411575215632,0.015411575215632,0.015411575213749284,0.0.0.0，0.0，0.0，0.0，0.0,10.0,1.0,10]，[0.34656948915632,0.015411575215632,0.015411575213749284,0.0，0.0，1.0,1.0,0.0]，[ 0.2586076903744659，0.15085515328815924，0.16666666666666666，0.0，1.0，0.0，0.0]，[0.4093993465694898，0.016891873428256675，0.0，0.0，1.0，1.0，0.0]，[0.4596632319678311，0.015468569817999833，0.0，0.25，1.0，1.0，0.0]，[0.3465694898215632， 0.015411575213749284，0.0，0.0，1.0，1.0，0.0]，[0.2586076903744659，0.014931805565640218，0.0，0.0，1.0，1.0，1.0]，[0.3465694898215632，0.015175789316712771，0.0，0.0，1.0，1.0，0.0]，[0.4722292033174164，0.015411575213749284， 0.0, 0.0, 1.0, 1.0, 0.0], [0.3465694898215632, 0.04713766070721715, 0.0, 0 0.125，0.5，1.0，1.0]，[0.5853229454636844，0.10149724044618187，0.0，0.0，1.0，0.0，0.0]，[0.17692887660216136，0.028212719478023115，0.0，0.125，0.0，1.0，1.0]，[0.2711736617240513，0.015712553569072387，0.0，0.0 ，1.0，1.0，0.0]，[0.24604171902488062，0.019177122834302632，0.0，0.125，1.0，1.0，1.0]，[0.20834380497612465，0.028220722145058292，0.0，0.0，0.0，1.0，1.0]，[0.2586076903744659，0.015468569817999833，0.0，0.0，1.0 ，1.0，0.0]，[0.8806232721789394，0.015126992566498259，0.0，0.0，0.5，1.0，0.0]，[0.35913546117114853，0.04098927018018883，0.0，0.125，1.0，0.5，0.0]，[0.2963056044232219，0.4831284260198326，0.16666666666666666，0.0，0.0，0.0 ，0.0]，[0.01985423473234481，0.06104473451835265，0.3333333333333333，0.5，1.0，1.0，1.0]，[0.2586076903744659，0.1434624456306609，0.0，0.25，1.0，0.5，0.0]，[0.3465694898215632，0.015712553569072387，0.0，0.0，1.0，1.0，0.0 ], [0.40311636089469716, 0.058694292654020104, 0.0, 0.125, 0.0, 0.5, 0.0], [0.40311636089469716, 0.025374310111545468 ，0.0，0.0，1.0，0.5，1.0]，[0.6732847449107816，0.15085515328815924，0.16666666666666666，0.0，1.0，0.0，0.0]，[0.14551394822819805，0.021942337075458514，0.0，0.125，0.0，1.0，0.0]，[0.3465694898215632，0.015126992566498259，0.0 ，0.0，0.5，1.0，0.0]，[0.2963056044232219，0.01393967004027879，0.0，0.0，1.0，1.0，0.0]，[0.3465694898215632，0.04364049521284361，0.16666666666666666，0.125，0.0，1.0，1.0]，[0.5601910027645137，0.013614293309848433，0.0，0.0 ，1.0，1.0，0.0]，[0.4093993465694898，0.015411575213749284，0.0，0.0，0.0，1.0，0.0]，[0.24604171902488062，0.013760683560491965，0.0，0.0，1.0，1.0，0.0]，[0.5853229454636844，0.028302115124416098，0.0，0.125，1.0 ，1.0，1.0]，[0.35913546117114853，0.050748620223090936，0.0，0.125，1.0，0.5，1.0]，[0.3088715757728072，0.025374310111545468，0.0，0.0，1.0，0.5，0.0]，[0.2837396330736366，0.02936744577509929，0.0，0.0，0.0，0.5 , 0.0], [0.23347574767529528, 0.051301584996521765, 0.3333333333333333, 0.0, 1.0, 0.0, 1.0], [0.4596632319678311, 0.10364429745562033，0.0，0.125，1.0，0.0，0.0]，[0.19577783362653933，0.01798980030808316，0.0，0.0，1.0，1.0，0.0]，[0.2963056044232219，0.15458810467956932，0.0，0.0，0.0，0.0，0.0]，[0.3465694898215632，0.029757819776815374， 0.3333333333333333，0.0，0.0，1.0，1.0]，[0.2711736617240513，0.015126992566498259，0.0，0.0，1.0，1.0，1.0]，[0.2963056044232219，0.030937139635999665，0.0，0.125，1.0，1.0，1.0]，[0.23347574767529528，0.013175122557917838，0.0， 0.0，0.5，1.0，0.0]，[0.22090977632570996，0.022446505098674834，0.0，0.0，1.0，0.5，0.0]，[0.23347574767529528，0.07173122281533045，0.16666666666666666，0.125，1.0，0.5，0.0]，[0.33400351847197784，0.015216388212891242，0.0，0.0， 1.0，1.0，0.0]，[0.10781603417944208，0.06709553154495196，0.3333333333333333，0.25，1.0，1.0，1.0]，[0.4533802462930384，0.050748620223090936，0.3333333333333333，0.0，1.0，0.5，0.0]，[0.5224930887157577，0.025374310111545468，0.0，0.0，1.0， 0.5, 0.0], [0.6355868308620256, 0.02444717185746977, 0.0, 0.0, 1。 0,0.5，0.0]，[0.2711736617240513，0.12999454257145598，0.0，0.125，1.0，0.0，1.0]，[0.6921337019351596，0.015712553569072387，0.0，0.0，1.0，1.0，0.0]，[0.5036441316913798，0.028302115124416098，0.3333333333333333，0.0，1.0， 1.0，0.0]，[0.3465694898215632，0.014273049437744325，0.0，0.0，1.0，1.0，0.0]，[0.6355868308620256，0.11980421963065935，0.16666666666666666，0.0，0.0，0.0，0.0]，[0.19577783362653933，0.015094396337354966，0.0，0.0，0.5，1.0， 1.0]，[0.37170143252073384，0.015712553569072387，0.0，0.0，1.0，1.0，0.0]，[0.3465694898215632，0.016908073949327893，0.0，0.0，1.0，1.0，0.0]，[0.3465694898215632，0.13575255909676823，0.3333333333333333，1.0，1.0，1.0，0.0] [0.5476250314149284，0.031425107138144774，0.16666666666666666，0.0，1.0，1.0，0.0]，[0.4973611460165871，0.030741952635141623，0.0，0.0，1.0，0.5，1.0]，[0.32143754712239253，0.015175789316712771，0.0，0.0，1.0，1.0，0.0]，[ 0.20834380497612465, 0.016908073949327893, 0.0, 0.0, 1.0, 1.0, 0.0], [0.007288263382759489, 0 0.07746484096553544，0.16666666666666666，0.5，1.0，1.0，0.0]，[0.10781603417944208，0.04006213192611313，0.3333333333333333，0.0，1.0，1.0，0.0]，[0.3465694898215632，0.10735285047192313，0.16666666666666666，0.0，1.0，0.0，1.0]，[0.5601910027645137，0.05445717323939373 ，0.6666666666666666，0.125，1.0，1.0，1.0]，[0.3465694898215632，0.050602229972447406，0.0，0.0，1.0，0.0，0.0]，[0.3465694898215632，0.11027245763075773，0.0，0.0，1.0，1.0，0.0]，[0.7612465443578789，0.06538764528744409，0.0 ，0.0，1.0，0.0，0.0]，[0.04498617743151546，0.056848213999904744，0.16666666666666666，0.5％，0.5％，1.0，0.0]，[0.007288263382759489，0.021730754366528396，0.16666666666666666，0.125，1.0，1.0，1.0]，[0.2586076903744659，0.015468569817999833，0.0，0.0 ，1.0，1.0，0.0]，[0.6984166876099522，0.05991421140938287，0.0，0.0，0.0，0.0，0.0]，[0.22090977632570996，0.015330377421392339，0.16666666666666666，0.125，1.0，1.0，0.0]，[0.3465694898215632，0.04970768794751499，0.16666666666666666，0.375，1.0 , 1.0, 0.0]，[0.6230208595124404，0.05604306762136532，0.0，0.0，0.0，0.0，1.0]，[0.37170143252073384，0.025374310111545468，0.0，0.0，1.0，0.5，0.0]，[0.4470972606182458，0.0，0.0，0.0，1.0，1.0，0.0] [0.3465694898215632，0.13575255909676823，0.3333333333333333，1.0，1.0，1.0，1.0]，[0.3465694898215632，0.02937564362913533，0.0，0.0，0.0，0.5，0.0]，[0.10781603417944208，0.061264319894317944，0.3333333333333333，0.5，1.0，1.0，0.0]，[ 0.007288263382759489，0.0761229303346364，0.16666666666666666，0.25，1.0，0.5，0.0]，[0.04498617743151546，0.04298993693898376，0.3333333333333333，0.0，1.0，1.0，1.0]，[0.3465694898215632，0.09759350042902103，0.0，0.0，1.0，0.0，0.0]，[0.3465694898215632， 0.030253985132996517，0.0，0.125，0.5，1.0，1.0]，[0.5601910027645137，0.051822148727810165，0.0，0.0，1.0，0.0，0.0]，[0.4973611460165871，0.030253985132996517，0.16666666666666666，0.125，0.5，1.0，0.0]，[0.4470972606182458，0.015411575213749284， 0.0, 0.0, 1.0, 1.0, 0.0], [0.39683337521990447, 0.0253743101 11545468，0.0，0.0，1.0，0.5，1.0]，[0.23347574767529528，0.025374310111545468，0.0，0.0，1.0，0.5，0.0]，[0.23347574767529528，0.015330377421392339，0.0，0.125，1.0，1.0，1.0]，[0.032420206081930136，0.050748620223090936， 0.16666666666666666，0.125，1.0，0.5，0.0]，[0.5476250314149284，0.05410739813385612，0.0，0.0，0.0，0.0，1.0]，[0.7235486303091229，0.2859895551532101，0.0，0.0，0.0，0.0，1.0]，[0.3465694898215632，0.015126992566498259，0.0， 0.0，0.5，1.0，0.0]，[0.5224930887157577，0.01640390592611157，0.16666666666666666，0.0，1.0，1.0，0.0]，[0.3465694898215632，0.015126992566498259，0.0，0.0，0.5，1.0，1.0]，[0.2963056044232219，0.025374310111545468，0.0，0.0， 1.0, 0.5, 1.0]]

ytf = [[0.0], [1.0], [1.0], [1.0], [0.0], [0.0], [0.0], [0.0], [1.0], [1.0], [1.0], [1.0], [0.0], [0.0], [0.0], [1.0], [0.0], [1.0], [0.0], [1.0], [0.0], [1.0], [1.0], [1.0] ], [0.0], [1.0], [0.0], [0.0], [1.0], [0.0], [0.0], [1.0], [1.0], [0.0], [0.0], [0.0], [1.0], [0.0], [0.0], [1.0], [0.0], [0.0], [0.0], [1.0], [1.0], [0.0], [0.0], [1.0], [0.0] ], [0.0], [0.0], [0.0], [1.0], [1.0], [0.0], [1.0], [1.0], [0.0], [1.0], [0.0], [0.0], [1.0], [0.0], [0.0], [0.0], [1.0], [1.0], [0.0], [1.0], [0.0], [0.0], [0.0], [0.0], [0.0] ], [1.0], [0.0], [0.0], [0.0], [1.0], [1.0], [0.0], [1.0], [1.0], [0.0], [1.0], [1.0], [0.0], [0.0], [1.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [1.0], [1.0] ], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [1.0], [1.0], [0.0], [1.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0], [1.0 ], [0.0], [1.0], [0.0], [1.0], [1.0], [0.0], [0.0], [0.0], [0.0], [1.0], [0.0], [0.0], [1.0]、[0.0]、[0.0]、[0.0]、[0.0]、[1. 0]、[1.0]、[0.0]、[0.0]、[0.0]、[1.0]、[0.0]、[0.0]、[0.0]、[0.0]、[1.0]、[0.0]、[0.0] , [0.0], [0.0], [1.0], [0.0], [0.0], [0.0], [0.0], [1.0], [0.0], [0.0], [0.0], [1.0], [ 1.0]、[0.0]、[0.0]、[0.0]、[0.0]、[0.0]、[1.0]、[0.0]、[0.0]、[0.0]、[0.0]、[0.0]、[0.0] , [0.0], [0.0], [0.0], [0.0], [1.0], [1.0], [0.0], [1.0], [1.0], [0.0], [0.0], [1.0], [ 0.0]、[1.0]、[1.0]、[1.0]、[1.0]、[0.0]、[0.0]、[1.0]、[0.0]]

XT（测试数据）= [[0.45272319662402744，0.015281580671177828，0.0，0.0，0.5，1.0，0.0]，[0.6175656072794409，0.013663090060062943，0.0，0.125，1.0，1.0，1.0]，[0.815376500065937，0.018908740708122825，0.0，0.0 ，0.5％，0.5，0.0]，[0.3538177502307794，0.016908073949327893，0.0，0.0，1.0，1.0，0.0]，[0.287880785968614，0.023983602730431916，0.1111111111111111，0.125，1.0，1.0，1.0]，[0.18238164314914942，0.01800600082915438，0.0，0.0，1.0 ，1.0,0.0]，[0.393799287880786,0.014891206694617444,0.0，0.0，0.5,1.0,1.0]，[0.0563035783463,0.0566035783463,0.0566035783463,0.05660423048832196,0.0566035783463,0.0566035783463,0.05660423048832196,0.111111111111111,10.125,1.0,0.5,0.0]] P>

【问题讨论】：

如何在每次迭代时打印一些变量，例如cross_entropy 或ytf，看看网络是如何收敛的？ （一个随机的想法：如果数据集一开始全是 0，然后全是 1，它可能会“忘记”大约 0）

Tensorflow sigmoid and cross entropy vs sigmoid_cross_entropy_with_logits的可能重复

【参考方案1】：

您正在将categorical cross entropy 函数应用于binary classification

y_ * tf.log(ytf)

这里有tf.log(ytf)，所以如果ytf 是1，那么tf.log(ytf) 的计算结果总是0。所以你的函数永远不会学习。

你需要使用binary cross entropy函数

y_ * tf.log(ytf) + (1. - y_) * tf.log(1. - ytf)

在训练时，始终将损失作为输出并保持打印一次，这将帮助您更快地调试模型。

_, training_loss = sess.run([train_step, cross_entropy], feed_dict=xtf: x_batch, y_: y_batch)

【讨论】：

现在它将所有值都设为 nan。

将您的ytf 剪辑为0 和1 附近的一些值，如tf.clip_by_value(ytf, 0.02, 0.98)

它仍然无法正常工作。如果您想查看，我已经包含了我的训练数据。

用训练打印你的loss 并报告损失。是0 还是nan？

损失是nan。