我有 2 個代碼片段。其中一個訓練模型，而另一個不訓練。我不想在沒有深入了解問題的情況下在 Github 上提出問題，這浪費了我一天的時間等待不正確的模型進行訓練。這是模型，這是正確的。運行張量流 1.10.1。model = Sequential()# I truncate the string at 20 characters, alphabet listset is a sorted list of the set of [A-Za-z0-9-_] which has len = 64model.add(LSTM(512, return_sequences=True, input_shape=(20, len(alphabet_listset)), dropout=0.2, stateful=False))model.add(LSTM(512, return_sequences=False, dropout=0.2, stateful=False))model.add(Dense(2, activation="softmax"))model.compile(optimizer=adam, loss='categorical_crossentropy',               metrics=['accuracy'])  # adam here is at learning rate 1e-3model.summary()要創建 X_train 和 Y_train 我使用test_train_split. 我將字符串轉換為一個熱向量的方式（即使現在對于 lstm 有一個熱向量的功能，如果您添加它真的會有所幫助）是def string_vectorizer(strng, alphabet, max_str_len=20):    vector = [[0 if char != letter else 1 for char in alphabet] for letter in strng[0:max_str_len]]    while len(vector) != max_str_len:        vector = [*vector, [0 for char in alphabet]]    return np.array(vector)我提到的正確部分確實是正確的，因為這不是我第一次訓練這個模型并對其進行驗證。我每個月都需要更新我的模型，當我通過運行多個模型來測試我的架構時，我遇到了這個異常。這是錯誤的代碼    model.fit(X_train, to_categorical(Y_train, 2), epochs=1000,              validation_data=(X_test, to_categorical(Y_test, 2)),              verbose=2, shuffle=True)    loss, accuracy = model.evaluate(X_test, to_categorical(Y_test, 2))這個錯誤片段的輸出與正確的片段日志相同，只是在 12 個時期內準確度保持在 0.5454 并且損失沒有減少。我的樣本數據分為 50k 個正確標簽和 60k 個錯誤標簽。因此，如果模型僅對所有 60k 個錯誤標簽預測 1，則準確度將為60k / (60k + 50k) => 0.54.這是正確的代碼，唯一的區別是 的值epochs。expected_acc_eth, expected_loss_eth = 0.83, 0.40我看過這個 stackoverflow 帖子，它指出提前停止會影響模型學習的方式，但它們與每個時代理論的步驟無關。我嘗試過設置，batch_size但這沒有幫助，或者我無法正確設置，因為它與 adam 的學習率成反比，而且我的比例一定是關閉的。我在某種程度上了解深度網絡和機器學習，但輸出之間的差異太大了。我希望它能像我一樣避免其他面臨類似錯誤的人浪費太多時間！有人可以詳細說明這一點。任何幫助深表感謝！