Tensorflow似乎有科学计数法的问题

Question

由于我的网络一直在提供高损耗和零精度，所以我决定研究其中的张量。

我注意到我的归一化函数可以使用十进制数字，但是保留了科学计数法数字，因为这样会导致样本混乱。

经过简单的规范化和批处理之后，从文件路径和标签列表中加载了

def _parse_image(imagepath, label):
    image_string = tf.read_file(imagepath)
    image_decoded = tf.image.decode_jpeg(image_string, channels=3)
    image_resized = tf.image.resize_images(image_decoded, [img_size, img_size])
    image = image_resized * (1 / 255)
    return image, label

dataset = tf.data.Dataset.from_tensor_slices((dataset_train))
dataset = dataset.map(_parse_image)
dataset = dataset.shuffle(buffer_size=1000)
dataset = dataset.batch(batch_size)
iterator = dataset.make_initializable_iterator()
train_next = iterator.get_next()

然后

batch_x, batch_y = sess.run(train_next)
op, c = sess.run([optimiser, cross_entropy], feed_dict={x: batch_x, y: np.expand_dims(batch_y, axis=-1)})

我知道这是在feed_dict中输入小数点的

[0.3425858  0.42196694 0.35618874]
[0.28829658 0.311826   0.311826  ]
[0.23520222 0.2508885  0.26069242]

这是科学计数法

[7.11764753e-01 5.84313750e-01 7.27451026e-01]
[7.07843184e-01 5.68627477e-01 7.03921616e-01]
[7.08823562e-01 5.60784340e-01 7.23529458e-01]

曾尝试过一些转换到float32的方法，但是没有用。