Tensorflow DNN多重分类

Question

我正在尝试使用Tensorflow在Python 3.5中创建一个DNN，用于将元组分类为 3 类之一。

# define initial hyperparameters
batch_size = 100
train_steps = 5000
hidden_units=[10,20,10]

# build model
dnn = tf.contrib.learn.DNNClassifier(hidden_units=hidden_units,  feature_columns=feature_cols, n_classes=3)
input_fn = tf.estimator.inputs.pandas_input_fn(x=X_train, y=y_train, 
                                           batch_size=batch_size, 
                                           num_epochs=None, 
                                           shuffle=True)
# fit model to the data
dnn.fit(input_fn = input_fn, steps=train_steps)

# predict new data
predict_input_func = tf.estimator.inputs.pandas_input_fn(x=X_test,
                                                     batch_size=len(X_test), 
                                                     shuffle=False)
preds = dnn.predict_classes(input_fn=predict_input_func)

X_train（和X_test）由7个数字列组成。 y_train（和y_test）由1个数字列组成，作为响应变量，[0或1或2]。

当我用上述模型预测时，我的准确度非常差（50-70％的准确度）。

似乎我已经弄清楚了为什么 - 我的模型预测新输入的类要么是0还是2 ......所以它会丢失所有实际上为1类的记录。

有人可以给我一个提示，为什么会这样？我已经读过softmax可能是解决方案......如果是这样的话，我很困惑为什么在Tensorflow文档（章节入门/虹膜分类）中描述了3类类似的DNN。

编辑：我当然尝试过针对不同的超参数。