TensorFlow CNN处理400×400×3浮点ndarray二分类报错排障咨询

初始版本报错原因 #

• 输入层参数配置错误：Keras定义模型输入的input_shape参数不需要包含批次维度，你初始代码写为(BATCH_SIZE, 400, 400, 3)，会让模型判定单样本输入为4维，加上批次维度后整体输入变成5维，不符合池化层要求的4维（批次、高、宽、通道）输入要求，因此触发维度不匹配报错。
• 训练调用参数写反：model.fit()的第一个参数为输入特征、第二个参数为标签，你初始代码写为model.fit(labels_train, data_train)，完全颠倒了输入和标签的顺序，即使维度问题解决也无法正常训练。

调整后版本NaN Loss、准确率不提升问题定位与修复方案 #

以下是问题的多个可能成因及对应修复方法：

1. 损失函数与输出层不匹配
   你当前的二分类输出层只有1个神经元且没有加激活函数，输出的是未归一化的logits值，但BinaryCrossentropy损失默认要求输入是0~1范围的概率值，直接计算会出现数值溢出、梯度爆炸，最终loss变为NaN。
   修复方案二选一：

• 给输出层加sigmoid激活：tf.keras.layers.Dense(1, activation='sigmoid')
• 损失函数开启logits模式：loss=tf.keras.losses.BinaryCrossentropy(from_logits=True)

2. 输入数据未做归一化
   你的输入是三个自定义函数输出的浮点数组，若数值范围远大于1，经过多层卷积计算后很容易出现数值爆炸，导致loss变为NaN，同时模型无法正常学习特征。
   修复方案：将输入数据归一化到0_1或者-11范围，例如：

# 归一化到0~1区间
data = data.astype(np.float32)
data = (data - np.min(data)) / (np.max(data) - np.min(data))

3. 学习率过高导致不收敛
   RMSprop优化器默认学习率为0.001，对于当前的小数据集和深卷积网络来说可能过高，会出现参数更新幅度过大、无法收敛到最优解的情况，表现为准确率长期卡在固定值。
   修复方案：调小优化器学习率：

optimizer=tf.keras.optimizers.RMSprop(learning_rate=1e-4)

4. 补充优化建议

• 每个卷积层后增加BatchNormalization()层，减少内部协变量偏移，避免梯度消失/爆炸，加速收敛
• 数据集划分建议改用sklearn.model_selection.train_test_split做显式拆分，避免tf.data的shuffle不充分导致的分布偏移
• 检查标签数据是否存在异常，例如是否有非0/1的数值、NaN值，确保标签和样本的对应关系正确

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