Keras中学习率与动量对准确率影响的3D绘图报错求解

首先，咱们来拆解你遇到的问题，这个错误本质是输入给三角化算法的数据不符合要求，结合你的代码来看，主要有两个核心问题，同时也能解释为什么示例代码可行而你的不行：

1. 数组赋值错误：np.append并没有修改你的准确率数组 #

你初始化了train_accuracies = np.empty([36])，但在循环里用np.append(train_accuracies, ...)的时候，numpy的append函数不会直接修改原数组——它会返回一个新的数组，而你没有把这个新数组赋值回原变量。这意味着你的train_accuracies和test_accuracies始终是初始的空数组（里面是未初始化的随机垃圾值），这肯定会让后续的绘图算法混乱。

而示例代码里的数组是直接生成的有效数据，没有赋值错误，所以能正常工作。

正确的做法是用索引来逐个填充数组：

# 初始化计数器
idx = 0
for learning_rate in learning_rates:
    for momentum in momentum_terms:
        # ... 你的模型构建、编译、训练代码 ...
        # 直接用索引赋值，而不是append
        train_accuracies[idx] = history.history['binary_accuracy'][-1] * 100
        test_accuracies[idx] = history.history['val_binary_accuracy'][-1] * 100
        idx += 1

2. x和y的维度与z不匹配 #

plot_trisurf要求x、y、z都是长度相同的一维数组，每个元素对应一个三维空间中的点(x[i], y[i], z[i])。但你现在的x是6个momentum值，y是6个learning rate值，z是36个准确率值，三者长度不一致。Qhull三角化算法无法处理这种不匹配的输入，所以抛出了"奇异输入数据"的错误。

示例代码里的x、y、z都是长度约1000的一维数组，每个点都有对应的(x,y,z)，所以算法能正常处理。

你需要把x和y扩展成36个元素的数组，对应每个(learning_rate, momentum)组合：

# 生成所有(learning_rate, momentum)组合的x和y数组
x = np.repeat(momentum_terms, len(learning_rates))  # 每个momentum重复6次，对应6个learning rate
y = np.tile(learning_rates, len(momentum_terms))    # 把learning rate数组重复6次，对应每个momentum
z = test_accuracies

可选优化：用plot_surface替代plot_trisurf（更适合规则网格） #

因为你的数据是规则的6x6网格（每个learning rate对应所有momentum），其实用plot_surface更合适——它不需要三角化，直接基于规则网格绘图，效果更规整：

# 生成二维网格
X, Y = np.meshgrid(momentum_terms, learning_rates)
# 把test_accuracies转换成6x6的二维数组（对应网格的每个点）
Z = test_accuracies.reshape(len(learning_rates), len(momentum_terms))

ax = plt.axes(projection='3d')
ax.plot_surface(X, Y, Z, cmap='viridis', edgecolor='none')
plt.show()

这样修改后，你的数据就完全符合绘图函数的要求了，应该能正常生成3D可视化图。

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