训练准确率显示0.0：TensorFlow相关代码求助排查

嘿，我一眼就揪出了核心问题——你的准确率计算逻辑和输入完全不匹配，咱们一步步拆解来解决：

1. 核心矛盾：输入参数的本质差异 #

你传给accuracy函数的pred_labels其实是模型输出的logits，这是模型对每个类别的原始得分（是连续的浮点值，比如二分类可能输出[-2.1, 3.5]这类结果）；而true_labels是真实的类别标签（比如0/1，或者多分类的0、1、2...）。直接用tf.equal去比较这两种完全不同类型的值，几乎不可能得到True，最后平均下来自然就是0.0了。

2. 修正后的准确率计算函数 #

根据你的任务类型，分两种情况修改：

情况1：二分类任务 #

如果是二分类（输出为0或1），需要先把logits转成概率再取阈值得到预测标签：

def accuracy(pred_logits, true_labels):
    # 将logits通过sigmoid转为概率，再以0.5为阈值得到0/1预测标签
    pred_labels = tf.cast(tf.sigmoid(pred_logits) > 0.5, tf.float32)
    # 调整真实标签的形状和类型，与预测标签匹配
    true_labels = tf.cast(tf.reshape(true_labels, [-1, 1]), tf.float32)
    correct_pred = tf.equal(pred_labels, true_labels)
    accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32))
    return accuracy

情况2：多分类任务 #

如果是多分类（类别数大于2），需要取logits中得分最高的索引作为预测类别：

def accuracy(pred_logits, true_labels):
    # 取logits中最大值的索引作为预测类别（axis需匹配logits的维度，假设logits形状为(None, num_classes)）
    pred_labels = tf.argmax(pred_logits, axis=1, output_type=tf.float32)
    # 调整真实标签的类型与预测标签匹配
    true_labels = tf.cast(true_labels, tf.float32)
    correct_pred = tf.equal(pred_labels, true_labels)
    accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32))
    return accuracy

3. 额外需要验证的细节 #

• 确认true_labels的取值范围：比如多分类任务中，真实标签是不是从0开始的连续整数，和模型输出的类别索引完全对应？
• 检查nn_model的输出维度：二分类任务最后是不是输出1个节点？多分类是不是输出对应类别数的节点？维度不匹配也会导致比较出错。

内容的提问来源于stack exchange，提问作者Siladittya