求大神帮助：
我是想训练一个简单的神经网络来做二分类问题。
数据是信用卡交易数据集，一共284807条数据，31列（前30列是交易信息，中间的V开头的事PCA降维出来的无具体含义，最后一列是0或1，表示这个交易记录是否是正常的）
我遇到的问题是训练过程中精确度不变（最后打印的），截图中训练批次和数量很少（循环200次，batchsize65），多的几千也试过，精度都不变，感觉就是没学进东西去，不知道是哪里错了。我后来把计算精度的那个式子feed_dict了一个正负样本数一比一的小数据集，然后精确度始终只有0.5，那应该就是随机取的吧。神经网络用的是之前用过的一个能跑的，是那个泰坦尼克数据集的，转过来除了那个placeholder和最后的训练其他部分基本没变，按道理应该能用的都是二分类问题
有没有大神知道我是哪里弄错了 = =
我是在jupyter notebook里写的，只好截图发上来，如有需要可以再发代码和数据文件

虽然在泰坦尼克数据集上没问题
但是这个数据集的特征的数值大小也应该考虑啊…
这就是饱和了… 不知道你解决了没

是不是交叉熵的问题

weight= tf.Variable(tf.truncated_normal([‘input_size’,‘num_class’],stddev=0.01))
bias = tf.Variable(tf.constant(0.1,shape=[’num_class‘]))
prediction = tf.nn.softmax(tf.matmul( ’input‘,weight)+bias)
接2楼
我的意思就是。。这样自定义一些层
然后 定义损失函数 再优化什么的就可以了。。。
总之。。。。我还是认为loss不变 就是权重初始化导致的饱和了。。。。
和交叉熵没关系的。
虽然softmax sigmoid自身也会饱和，但上面你是用了交叉熵损失 其log和softmax sigmoid中的 exp函数 抵消掉了。
而你的数据集 是固定的，所以问题也只能出现在 权重初始化上面

我也出现了类似的情况，请问解决了吗

你好，请问这个问题最后解决了吗？