我已经使用Keras Functional API构建了u-net架构，但是在使用稀疏分类交叉熵损失函数时遇到了麻烦。我的学习任务是对许多256x256图像进行多类，逐像素分类。预期的输出是256x256的蒙版图像，其整数值为0-31（并非每个蒙版都包含每个类）。我有32个类，所以一键式编码给我一个OOM错误，这就是为什么我不使用分类交叉熵的原因。多数遮罩像素为0（这可能是问题的一部分）。
我一直在亏损= nan。我已经将输入数据归一化为平均值= 0，标准差=1。如果保留原样的掩码，则精度约为0.97，输出掩码均为1（这显然是错误的）。如果我在进行训练之前在所有蒙版上加1，则精度为0。我在最后一个卷积层中使用带有SoftMax的relu激活。
似乎问题可能与我的输出数据的格式有关，所以我的主要问题是，稀疏分类交叉熵应采用哪种格式？我应该将遮罩值标准化为0-1吗？另外，还有其他可用于训练的损失函数或准确性指标吗？就多类分类而言，我所知道的唯一功能是分类交叉熵。如果需要，我可以提供有关我的数据，网络等的其他信息。