我刚开始学习神经网络和Keras，想构建一个CNN来预测图像的某些值（这三个值预测图像上模糊的尺寸、长度和宽度）。这三个值的范围都在0到1之间，我有一个大数据集。
然而，我不太确定如何构建这个CNN，因为到目前为止我构建的所有原型代码都给我返回了[1.,0.,0.]格式的预测，而不是每个值在0到1之间的范围。此外，尽管我更改了SGD优化器中的epoch数和衰减值，我的损失函数没有任何变化。请问您能告诉我我哪里做错了？我目前的代码如下：
images, labels = load_dataset("images") # 加载图像的函数
images = np.asarray(images) # 图像被展平为424*424的数组（灰度）
labels = np.asarray(labels) # 标签是3维数组，每个值是0到1之间的浮点数
# 我不会写这一部分，但我在这里将数据分割成train_imgs和test_imgs
model = keras.Sequential()
# 明确定义SGD，以便我可以更改衰减率
sgd = keras.optimizers.SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
model.add(keras.layers.Dense(32, input_shape=(424*424,) ))
model.add(keras.layers.Activation('relu'))
model.add(keras.layers.Dense(3, activation='softmax'))
model.compile(loss='mean_squared_error',optimizer=sgd)
# 注意：我也尝试定义了一个加权二元交叉熵，但没有任何变化
checkpoint_name = 'Weights-{epoch:03d}--{val_loss:.5f}.hdf5'
checkpoint = ModelCheckpoint(checkpoint_name, monitor='val_loss', verbose = 0, save_best_only = True, mode ='auto')
callbacks_list = [checkpoint]
model.fit(train_imgs, train_labls, epochs=20, batch_size=32, validation_split = 0.2, callbacks=callbacks_list)
predictions = model.predict(test_imgs) # 在相同测试集上进行预测！我知道我没有添加dropout层，但我希望CNN能过拟合我的数据，此时我只希望它能做些什么。当我在同一组图像上进行预测时，我希望能得到精确的结果，对吗？我不太确定我错过了什么。感谢您的帮助！
回答：
首先，应该将'softmax'替换为'sigmoid'。
Sigmoid将使三个输出值的范围在0到1之间。还要注意，softmax是为分类设计的。它试图最大化三个值中的一个，并且这三个值的总和总是1。
其次，如果你的损失函数完全没有变化，问题可能出在'relu'上（relu有一个恒定的零区域，在那里没有梯度）。你可以用'sigmoid'或'tanh'替换'relu'，或者在relu之前添加一个BatchNormalization()层。
作为初学者，我总是更喜欢使用optimizer='adam'，这通常比SGD快得多，你也不需要太在意学习率（当然，高级模型和最佳结果可能需要调整）。
