也许我的预测方法有问题？
这是我的项目… 我有一个灰度输入图像，我试图对其进行分割。分割是一个简单的二元分类（可以理解为前景与背景）。所以真实标签（y）是一个由0和1组成的矩阵——因此有两种分类。哦，输入图像是一个正方形，所以我只使用了一个名为n_input的变量
我的准确率基本上收敛到了0.99，但当我进行预测时，我得到的全是零。编辑 –> 在每个输出矩阵中都有一个1，位置相同…
这是我的会话代码（其他一切都正常工作）…
with tf.Session() as sess: sess.run(init) summary = tf.train.SummaryWriter('/tmp/logdir/', sess.graph_def) step = 1 from tensorflow.contrib.learn.python.learn.datasets.scroll import scroll_data data = scroll_data.read_data('/home/kendall/Desktop/') # 继续训练直到达到最大迭代次数 flag = 0 # while flag == 0: while step * batch_size < training_iters: batch_y, batch_x = data.train.next_batch(batch_size) # pdb.set_trace() # batch_x = batch_x.reshape((batch_size, n_input)) batch_x = batch_x.reshape((batch_size, n_input, n_input)) batch_y = batch_y.reshape((batch_size, n_input, n_input)) batch_y = convert_to_2_channel(batch_y, batch_size) # batch_y = batch_y.reshape((batch_size, n_output, n_classes)) batch_y = batch_y.reshape((batch_size, 200, 200, n_classes)) sess.run(optimizer, feed_dict={x: batch_x, y: batch_y, keep_prob: dropout}) if step % display_step == 0: flag = 1 # 计算批次损失和准确率 loss, acc = sess.run([cost, accuracy], feed_dict={x: batch_x, y: batch_y, keep_prob: 1.}) print "Iter " + str(step*batch_size) + ", Minibatch Loss= " + \ "{:.6f}".format(loss) + ", Training Accuracy= " + \ "{:.5f}".format(acc) step += 1 print "Optimization Finished!" save_path = "model.ckpt" saver.save(sess, save_path) im = Image.open('/home/kendall/Desktop/HA900_frames/frame0635.tif') batch_x = np.array(im) pdb.set_trace() batch_x = batch_x.reshape((1, n_input, n_input)) batch_x = batch_x.astype(float) # pdb.set_trace() prediction = sess.run(pred, feed_dict={x: batch_x, keep_prob: 1.}) print prediction arr1 = np.empty((n_input,n_input)) arr2 = np.empty((n_input,n_input)) for i in xrange(n_input): for j in xrange(n_input): for k in xrange(2): if k == 0: arr1[i][j] = prediction[0][i][j][k] else: arr2[i][j] = prediction[0][i][j][k] # prediction = np.asarray(prediction) # prediction = np.reshape(prediction, (200,200)) # np.savetxt("prediction.csv", prediction, delimiter=",") np.savetxt("prediction1.csv", arr1, delimiter=",") np.savetxt("prediction2.csv", arr2, delimiter=",")由于有两种分类，最后那部分（带有几个循环的部分）只是为了将预测结果分成两个2×2的矩阵。
我将预测数组保存到了CSV文件中，就像我说的，它们全是零。
我还确认了所有数据都是正确的（维度和值）。
为什么训练会收敛，但预测结果很差呢？
如果你想查看所有代码，这里是…
...回答：
代码中的错误
你的代码中有多个错误：
- 你不应该对softmax层的输出调用
tf.nn.sigmoid_cross_entropy_with_logits，而应该使用未缩放的logits：
警告：此操作期望未缩放的logits，因为它在内部对logits执行softmax以提高效率。不要用softmax的输出调用此操作，因为它会产生错误的结果。
-
事实上，由于你有两个类，你应该使用带有softmax的损失，使用
tf.nn.softmax_cross_entropy_with_logits -
当使用
tf.argmax(pred, 1)时，你只在轴1上应用argmax，这是输出图像的高度。你应该在最后一个轴（大小为2）上使用tf.argmax(pred, 3)。- 这可能解释了为什么你得到0.99的准确率
- 在输出图像上，它将在图像的高度上进行argmax，默认情况下是0（因为每个通道的所有值都相等）
模型错误
最大的缺点是你的模型总体上将非常难优化。
- 你对40,000个类进行了softmax，这太大了。
- 你完全没有利用你想要输出图像（预测前景/背景）的事实。
- 例如，预测2,345与预测2,346和预测2,545高度相关，但你没有考虑到这一点
我建议你先阅读一些关于语义分割的资料：
建议
如果你想使用TensorFlow，你需要从小处着手。首先尝试一个非常简单的网络，可能只有一个隐藏层。
你需要绘制所有张量的形状，以确保它们符合你的预期。例如，如果你绘制了tf.argmax(y, 1)，你会发现形状是[batch_size, 200, 2]，而不是预期的[batch_size, 200, 200]。
TensorBoard是你的朋友，你应该尝试在这里绘制输入图像，以及你的预测结果，看看它们是什么样子。
尝试从小处着手，使用一个非常小的数据集，10张图像，看看你是否能过拟合它并几乎精确地预测响应。
总之，我对所有建议的准确性不确定，但它们值得一试，我希望这能帮助你在成功的道路上前进！
