面向赛车的12类交通标志分类：验证精度为0、loss为nan问题求助

1. 数据与标签校验 #

• 图像输入：检查是否存在异常图像（全黑/全白、损坏的图），输入维度是否和模型输入层一致（比如模型要求224×224×3，实际不能是单通道或尺寸不匹配）。重点确认归一化逻辑——如果出现除以0、极端缩放操作，直接会产生NaN。
• 标签处理：12分类任务必须匹配标签格式：用categorical_crossentropy就做one-hot编码，用sparse_categorical_crossentropy就转整数编码。如果标签出现非0-11的非法值、one-hot编码每行和不为1，都会导致损失爆炸。另外检查数据集是否存在类别完全失衡（比如某类占比100%）或标签全相同的情况。

2. 损失函数与指标匹配 #

• 损失函数：多分类任务绝对不能用binary_crossentropy，必须对应使用categorical_crossentropy（one-hot标签）或sparse_categorical_crossentropy（整数标签），混用直接出NaN。
• 准确率指标：one-hot标签用categorical_accuracy，整数标签用sparse_categorical_accuracy，错配会导致准确率计算为0。

3. 优化器参数调整 #

• 学习率：过高的学习率（比如>1）会让权重更新幅度过大，直接出现NaN。先把学习率降到1e-4或1e-5重新跑一轮，看损失是否恢复正常。
• 优化器配置：比如Adam的epsilon参数如果设置过小，会导致计算时分母为0，建议用默认值先测试。

4. 模型输出层检查 #

12分类任务的输出层必须是units=12+softmax激活函数，误用sigmoid或units数量不对，会让损失计算逻辑完全错误。

内容的提问来源于stack exchange，提问作者Koe Beertje