运行《Python深度学习》Keras多分类器代码，精度远低于教材值求助

核心错误：向量化函数的逻辑缺陷 #

你的vectorize_sequences函数中，return results语句被错误地放在了外层for循环的内部。这导致函数仅处理第一个样本就直接返回，后续所有训练样本的特征向量都是全零矩阵——模型完全无法从有效数据中学习，这是准确率不足50%的根本原因。

修正后的向量化函数 #

将return语句移到外层循环之外，确保所有样本都被正确向量化：

def vectorize_sequences(sequences, dimension=10000):
    results = np.zeros((len(sequences), dimension))
    for i, sequence in enumerate(sequences):
        for j in sequence:
            results[i, j] = 1.
    # 确保所有样本处理完成后再返回结果
    return results

其他验证点 #

1. 数据集加载验证：可以通过以下代码确认数据加载正常：

   print(f"训练样本数量: {len(train_data)}")
   print(f"第一个样本标签: {train_labels[0]}")
   

   正常情况下应输出训练样本数为8982，第一个标签为整数类别（如3）。
2. 环境兼容性：Keras 3.6 + TensorFlow 2.18 在Apple M1 Pro上的组合是兼容的，硬件加速可以正常工作，不是导致准确率异常的原因。

修正后重新运行代码，训练准确率会快速提升，最终能达到教材所述的95%以上水平，验证准确率也会同步改善。

内容的提问来源于stack exchange，提问作者Thirumal