模型为所有输入（keras）提供相同的输出、准确性和损失答案

【问题标题】：Model gives same output, accuracy, loss for all inputs (keras)模型为所有输入（keras）提供相同的输出、准确性和损失
【发布时间】：2019-07-25 11:00:17
【问题描述】：

这是我的 udacity 自动驾驶汽车模型！

model = Sequential()
model.add(Lambda(lambda x: x/127.5-1.0, input_shape=(64,64,3)))
model.add(Conv2D(3, 1, 1, activation="elu"))
model.add(Conv2D(32, 3, 3, activation='elu'))
model.add(Conv2D(32, 3, 3, activation='elu'))
model.add(MaxPooling2D((2,2), strides=(2,2)))
model.add(Dropout(0.5))
model.add(Conv2D(64, 3, 3, activation='elu'))
model.add(Conv2D(64, 3, 3, activation='elu'))
model.add(MaxPooling2D((2,2), strides=(2,2)))
model.add(Dropout(0.5))
model.add(Conv2D(128, 3, 3, activation='elu'))
model.add(Conv2D(128, 3, 3, activation='elu'))
model.add(MaxPooling2D((2,2), strides=(2,2)))
model.add(Dropout(0.5))
model.add(Flatten())
model.add(Dense(512, activation="elu"))
model.add(Dense(64, activation="elu"))
model.add(Dense(16, activation="elu"))
model.add(Dense(1, activation="softmax"))
model.summary()

我正在使用adam编译器来编译模型

from keras.optimizers import Adam
model.compile(optimizer=Adam(lr=0.0001),loss='mean_squared_error',metrics='accuracy'])
model.fit(X_train, y_train, batch_size=256, epochs=250, shuffle = True,  validation_split=0.2)

我已经尝试了每个批次大小和时代组合，但结果似乎是一样的。我最初拍摄了 12000 张图像来训练和测试模型。我的问题准确性非常低，并且在整个时代都是恒定的。它还为每个预处理图像预测相同的输出。（ps：我在训练之前已经对图像进行了预处理）。这里的示例输出显示了恒定的准确性和损失（太低了）。

 Train on 8084 samples, validate on 2021 samples
    Epoch 1/250
    8084/8084 [==============================] - 8s 1ms/step - loss: 1.0467 - acc: 0.0014 - val_loss: 1.0666 - val_acc: 0.0015
    Epoch 2/250
    8084/8084 [==============================] - 6s 763us/step - loss: 1.0467 - acc: 0.0014 - val_loss: 1.0666 - val_acc: 0.0015
    Epoch 3/250
    8084/8084 [==============================] - 6s 779us/step - loss: 1.0467 - acc: 0.0014 - val_loss: 1.0666 - val_acc: 0.0015
    Epoch 4/250
    8084/8084 [==============================] - 6s 779us/step - loss: 1.0467 - acc: 0.0014 - val_loss: 1.0666 - val_acc: 0.0015
    Epoch 5/250
    8084/8084 [==============================] - 6s 790us/step - loss: 1.0467 - acc: 0.0014 - val_loss: 1.0666 - val_acc: 0.0015
    Epoch 6/250
    8084/8084 [==============================] - 6s 770us/step - loss: 1.0467 - acc: 0.0014 - val_loss: 1.0666 - val_acc: 0.0015
    Epoch 7/250
    8084/8084 [==============================] - 6s 739us/step - loss: 1.0467 - acc: 0.0014 - val_loss: 1.0666 - val_acc: 0.0015
    Epoch 8/250
    8084/8084 [==============================] - 6s 735us/step - loss: 1.0467 - acc: 0.0014 - val_loss: 1.0666 - val_acc: 0.0015
    Epoch 9/250
    8084/8084 [==============================] - 6s 724us/step - loss: 1.0467 - acc: 0.0014 - val_loss: 1.0666 - val_acc: 0.0015
    Epoch 10/250
    8084/8084 [==============================] - 6s 727us/step - loss: 1.0467 - acc: 0.0014 - val_loss: 1.0666 - val_acc: 0.0015
    Epoch 11/250
    8084/8084 [==============================] - 6s 729us/step - loss: 1.0467 - acc: 0.0014 - val_loss: 1.0666 - val_acc: 0.0015

请帮忙。谢谢

【问题讨论】：

具有一个输出神经元的 Softmax 没有意义，它会给出恒定的 1.0 输出。这个模型、回归或分类的任务是什么？
@MatiasValdenegro Regression... 它应该预测在 -1 到 1 范围内的转向角值。您为什么认为该模型具有分类任务？
因为准确率只适用于分类。对于这个范围，你应该在输出端使用一个神经元的 tanh 激活
@MatiasValdenegro 是否正确选择了损失函数...由于输出范围很小，因此损失函数的值较小，因此模型可能无法获得正确的损失值。那么你能帮我确定这个模型的损失函数吗？
不，损失函数是正确的。

标签： python tensorflow keras

【解决方案1】：

您的模型没有学到任何东西，因为您使用了带有一个输出神经元的 softmax 激活，这意味着无论权重值如何，输出都是常数 1.0。

您应该将激活更改为双曲正切 (tanh)，因为它与您的输出范围 [-1, 1] 匹配。您还应该删除准确度指标，因为它是一个回归任务，准确度仅适用于分类。

【讨论】：