张量流回归神经网络为所有内容输出相同的数字

Question

我创建了一个非常简单的回归模型，该模型训练了黑白图像和0.5-10之间的相应标签。在训练预测标签时，它总是收敛到一个模型，该模型为所有内容输出相同的数字，该数字看起来最有可能是所有标签的平均值。我的模型有什么东西在创建这个吗？我的代码：

from __future__ import absolute_import, division, print_function
import tensorflow as tf
from tensorflow import keras
import numpy as np
import matplotlib.pyplot as plt
(train_images, train_labels), (test_images, test_labels) = np.load("dataset.npy", allow_pickle=True)
train_labels = list(map(float, train_labels))
test_labels = list(map(float, test_labels))
train_labels = [int(i) for i in train_labels]
test_labels = [int(i) for i in test_labels]
print(train_labels)
model = keras.Sequential([
    keras.layers.Flatten(input_shape=(128, 128)),
    keras.layers.Dense(64, activation=tf.nn.relu),
    keras.layers.Dense(1)
  ])
model.compile(loss='mean_squared_error',
    optimizer='adam',
    metrics=['mean_absolute_error', 'mean_squared_error'])
model.fit(train_images, train_labels, epochs=1000)
predictions = model.predict(test_images)
for i in range(103):
    print("%s: %s" % (test_labels[i], predictions[i]))

Answer 1

处理图像时的一个关键步骤是规范化图像值。它有助于平滑优化和梯度更新，还有助于您的模型更好更快地收敛。有多种方法可以做到这一点，但简单的归一化方案之一是将图像像素的值除以 255(不要忘记图像像素的值通常在 [0,255] 范围内，因此将它们除以 255 使它们落在 [0,1] 范围内(：

train_images = train_images.astype('float32') / 255.0
test_images = test_images.astype('float32') / 255.0