Simple Neural Network(形状图像识别)输出相同结果问题求助

你提供的推理代码如下：

corrects, wrongs = 0, 0

print('Target', '     Predicted', ' %')
for i in range(len(x_test)):
    input_vector = np.array(x_test[i], ndmin=2).T
    output_vector = np.dot(wh,  input_vector)
    output_vector = sigmoid(output_vector)
    output_vector = np.dot(wo, output_vector)
    res = sigmoid(output_vector)
    
    #Evaluate Model
    res_max = res.argmax()
    e = np.array(res_max)
    e = np.eye(3)[res_max]
    e.astype('int32')
    if np.array_equal(e,y_test[i]) :
        corrects += 1
    else:
        wrongs += 1
    
    print(y_test[i], ' ',e, '       ', np.max(res))
    
print("accuracy:", corrects / ( corrects + wrongs))

可按以下顺序逐步排查定位问题：

• 输入侧验证：打印不同测试样本的input_vector，确认输入数据确实存在差异，排除测试集加载错误、所有样本重复的问题；检查输入数据是否做了归一化，若直接输入0-255的原始像素值，矩阵点乘后数值过大会导致sigmoid进入饱和区，输出区分度极低，看起来就像所有结果完全一致。
• 权重逻辑排查：确认推理时调用的wh、wo是训练完成后保存的权重，而非随机初始化的未训练参数；检查权重初始化逻辑，不能全初始化为0或完全相同的数值，否则所有神经元更新路径一致，输出不会产生差异；如果初始化范围过大，也会直接导致sigmoid饱和，训练阶段参数无法正常更新。
• 训练流程校验：检查反向传播的梯度计算逻辑，确认sigmoid导数实现正确，没有出现梯度消失或梯度爆炸的情况；调整学习率大小，学习率过小参数几乎不更新，学习率过大参数会偏离合理区间，都会导致输出固定；检查损失函数是否匹配3分类任务，错误的损失函数会让模型优化方向完全偏离预期。
• 数据集分布检查：统计训练集的类别分布，若某一类样本占比过高，模型会倾向于直接全部预测为该类获取最高训练准确率，不会学习其他类的特征。
• 最小单元测试：手动构造两个差异极大的自定义向量输入模型，观察输出是否有差异。如果输出仍然完全相同，直接定位为模型权重或计算逻辑的问题；如果输出存在差异，说明问题出在数据集或预处理环节。

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