问题描述：

在利用神经网络进行分类和识别的时候，使用了keras这个封装层次比较高的框架，backend使用的是tensorflow-cpu。

在交叉验证的时候，出现 val_categorical_accuracy: 0.0000e+00的问题。

问题分析：

首先，弄清楚，训练集、验证集、测试集的区别，验证集是从训练集中提前拿出一部分的数据集。在keras中，一般都是使用这种方式来指定验证集占训练集和的总大小。

validation_split=0.2

比如，经典的数据集MNIST，共有60000个训练集，就会

Train on 48000 samples, validate on 12000 samples

我自己学习使用的数据集比较小

训练数据集样本数： 498 ,标签个数 498

Train on 398 samples, validate on 100 samples

基本上符合4：1（0.2）的分配

出现 val_categorical_accuracy: 0.0000e+00的问题，我这边的原因主要是，样本本身是有规律的，导致分配的验证集的标签可能在训练集中可能就没有。

（PS：我实际看了下，498个样本共10个标签，后100个验证集占据了基本上后面3个标签（实际上，这三个标签占了103个样本），也就是前面的训练集基本上就没有后面的标签，整体占据前面7个标签）

问题解决：

把最初始的训练集打乱，当然，标签也要跟着移动。

index = [i for i in range(len(x_train))]
np.random.shuffle(index)
x_train = x_train[index]
y_train = y_train[index]
 
model.fit(x_train, y_train, batch_size=32, epochs=10, validation_split=0.2, verbose=1)

同样的问题表现，可能有不同的原因，解决方法也不尽相同，这里只是和大家分享我自己的问题解决过程。

补充知识：keras中自定义验证集的性能评估

如下所示：

def AUC(y_true,y_pred):
not_y_pred=np.logical_not(y_pred)
y_int1=y_true*y_pred
y_int0=np.logical_not(y_true)*not_y_pred
TP=np.sum(y_pred*y_int1)
FP=np.sum(y_pred)-TP
TN=np.sum(not_y_pred*y_int0)
FN=np.sum(not_y_pred)-TN
TPR=np.float(TP)/(TP+FN)
FPR=np.float(FP)/(FP+TN)
return((1+TPR-FPR)/2)

以上这篇解决keras,val_categorical_accuracy:,0.0000e+00问题就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。