Keras验证准确率为零，但其他指标为标准

Question

我在keras研究一个计算机视觉问题，遇到了一个有趣的问题。我的valu acc是0.0000e+00。这特别有趣，因为我的其他指标，如loss、acc和valu loss都正常工作

当我从序列数据生成器切换到一个自定义生成器时，这种情况就开始发生了，我非常确定它能按预期工作。

我的问题与这个问题非常相似validation accuracy is 0 with Keras fit_generator，但在该线程中没有找到答案。

我已经检查，以确保我的激活和损失指标是适合我的特定问题。我正在使用：loss='categorical\u crossentropy'metrics=['accurity']，并试图预测某个光谱图的来源月份。

验证数据的加载方式与训练数据完全相同，所以我真的无法弄清楚发生了什么，即使是随机猜测也应该给出1/12的值，对吗？不可能是零

以下是我的模型架构：

x = (Convolution2D(32,5,5,activation='relu',input_shape=(501,501,1)))(input_img)
x = (MaxPooling2D(pool_size=(2,2)))(x)
x = (Convolution2D(32,5,5,activation='relu'))(x)
x = (MaxPooling2D(pool_size=(2,2)))(x)
x = (Dropout(0.25))(x)
x = (Flatten())(x)
x = (Dense(128,activation='relu'))(x)
x = (Dropout(0.5))(x)
classify = (Dense(12,activation='softmax', kernel_regularizer=regularizers.l1_l2(l1 = 0.001,l2 = 0.001)))(x)

model = Model(input_img,classify)
model.compile(loss='categorical_crossentropy',optimizer='nadam',metrics=['accuracy'])

下面是我对fit\u generator的要求：

model.fit_generator(generator = pd.data_generator(folder,'train'),
                    validation_data = pd.data_generator(folder,'test'),
                    steps_per_epoch=(120),
                    validation_steps=(24),
                    nb_epoch=20,
                    verbose=1,
                    shuffle=True,
                    callbacks=[tensorboard_callback,early_stop_callback])

最后是我的数据生成器的重要部分：

if mode == 'test':
        print('test')
        while True:

            for things in up.unpickle_batch(folder,50,6000,7200): #The last 1200 things in batches of 50
                random.shuffle(things)
                test_spect = []
                test_months = []
                for thing in things:
                    test_spect.append(thing.spect) #GET BATCH DATA
                    test_months.append(thing.month-1) #this is is here because the months go from 1-12 but should go from 0-11 for to_categorical   
                x_test = np.asarray(test_spect) #PREPARE BATCH DATA
                x_test =  x_test.astype('float32')
                x_test /= np.amax(x_test) #- 0.5
                X_test = np.reshape(x_test, (-1,501, 501,1))


                Y_test = np_utils.to_categorical(test_months,12)

                yield X_test,Y_test #RETURN BATCH DATA