我有一个多标签分类问题，我使用了以下代码，但在第一个epoch中验证准确率就跳到了99%，这很奇怪，因为数据的复杂性很大，输入特征是从inception模型（pool3:0层）中提取的2048个特征，标签是[1000]，（这里是一个包含特征和标签样本的文件链接：https://drive.google.com/file/d/0BxI_8PO3YBPPYkp6dHlGeExpS1k/view?usp=sharing），我在这里做错了什么吗？
注意：标签是稀疏向量，仅包含1到10个条目为1，其余为零
model.compile(optimizer='adadelta', loss='binary_crossentropy', metrics=['accuracy']) 预测的输出全是零！
我在训练模型时做错了什么导致预测出现问题？
#输入是特征文件和标签文件def generate_arrays_from_file(path ,batch_size=100):x=np.empty([batch_size,2048])y=np.empty([batch_size,1000])while True: f = open(path) i = 1 for line in f: # 从文件的每一行创建输入数据和标签的Numpy数组 words=line.split(',') words=map(float, words[1:]) x_= np.array(words[0:2048]) y_=words[2048:] y_= np.array(map(int,y_)) x_=x_.reshape((1, -1)) #print np.squeeze(x_) y_=y_.reshape((1,-1)) x[i]= x_ y[i]=y_ i += 1 if i == batch_size: i=1 yield (x, y) f.close()model = Sequential()model.add(Dense(units=2048, activation='sigmoid', input_dim=2048))model.add(Dense(units=1000, activation="sigmoid", kernel_initializer="uniform"))model.compile(optimizer='adadelta', loss='binary_crossentropy', metrics=['accuracy'])model.fit_generator(generate_arrays_from_file('train.txt'), validation_data= generate_arrays_from_file('test.txt'), validation_steps=1000,epochs=100,steps_per_epoch=1000, verbose=1)回答：
我认为准确率的问题在于你的输出是稀疏的。
Keras使用以下公式计算准确率：
K.mean(K.equal(y_true, K.round(y_pred)), axis=-1)所以，在你的情况下，只有1到10个非零标签，全部预测为0的准确率将达到99.9%到99%。
至于模型无法学习的问题，我认为问题在于你使用了sigmoid作为最后的激活函数，并使用0或1作为输出值。这是一个不好的做法，因为要让sigmoid返回0或1，它的输入值必须非常大或非常小，这会导致网络的权重绝对值变得非常大。此外，由于每个训练输出中1的数量远少于0，网络很快就会达到一个静止点，简单地输出全零（在这种情况下，损失也不会很大，大约在0.016到0.16之间）。
你可以做的就是缩放你的输出标签，使它们介于（0.2, 0.8）之间，这样网络的权重就不会变得太大或太小。或者，你可以使用relu作为激活函数。
