确保在训练时以随机顺序传递数据。看起来您一次传递一个类的所有图像，然后传递下一个类等。随机播放图像并以随机方式传递它。

训练 DNN 时可能会出错的事情有很多，在您解决实际问题之前，大量简化您的入门网络/数据通常很有帮助。

如果没有关于您的设置等细节的更多信息，我建议您尝试的第一件事是让您的网络过度适应随机噪声。不要让它变深！如果您的设置首先是犹太洁食，您要确保其他一切。

所以：创建一个带有标签的随机噪声数据集，或者提取一个小的（< 50）左右的图像作为你的开发集，并在一开始就尝试过度拟合，使用一个大大简化的网络。这应该永远是你的第一步。

您的模型的这种行为背后可能有很多原因。但是，我列出了一些我从我的经验中发现的。

确保您的数据不包含任何缺失值。如果您使用 Keras 训练您的模型，那么它不会在缺少值（nan 值）的情况下抛出错误消息。在将其馈送到网络之前，请仔细检查所有输入值。

其次，我建议尝试更改学习率并检查您的准确性是否在增加。

在某些情况下，在处理我们的数据时，会在某些特征中生成 nan 值，从而导致此类问题。