我有一个CNN，其中输入是在每个通道0〜255之间具有值的RGB图像，而您的标签是在每个通道0〜255之间具有值的另一个RGB图像，但是 NN预测的值是1或0
训练NN时，产生的结果是一幅值在0到1之间的图像，但是用于训练和标记的图像的值在0〜255之间。
所有Conv2d和Conv2dTranpose都使用RELU激活（最后一个除外），而没有激活。
每个示例：在标签图像之后打印图像RGB的形状...，最后一个是预测NN：
print（X_train [0] [222] [1]）
[34 45 32]
print（Y_train [0] [222] [1]）
[22 43 44]
print（Img_predict [0] [222] [1]）
[1 1 1]
输入=输入（（IMG_HEIGHT，IMG_WIDTH，3））
c1 = Conv2D（16，（3，3），激活='elu'，padding ='same'）（输入）
c1 =辍学（0.3）（c1）
c1 = Conv2D（16，（3，3），激活='elu'，padding ='same'）（c1）
p1 = MaxPooling2D（（2，2））（c1）
c2 = Conv2D（32，（3，3），激活='elu'，padding ='same'）（p1）
c2 =辍学（0.3）（c2）
c2 = Conv2D（32，（3，3），激活='elu'，padding ='same'）（c2）
p2 = MaxPooling2D（（2，2））（c2）
c3 = Conv2D（64，（3，3），激活='elu'，padding ='same'）（p2）
c3 =辍学（0.3）（c3）
c3 = Conv2D（64，（3，3），activation ='elu'，padding ='same'）（c3）
u4 = Conv2DTranspose（32，（2，2），步幅=（2，2），padding ='same'）（c5）
u4 =串联（[u4，c2]）
c4 = Conv2D（32，（3，3），activation ='elu'，padding ='same'）（u4）
c4 =辍学（0.3）（c4）
c4 = Conv2D（32，（3，3），activation ='elu'，padding ='same'）（c4）
u5 = Conv2DTranspose（16，（2，2），步幅=（2，2），padding ='same'）（c4）
u5 =串联（[u5，c1]，轴= 3）
c5 = Conv2D（16，（3，3），激活='elu'，padding ='same'）（u5）
c5 =辍学（0.3）（c5）
cls_depth = Conv2D（3，（3，3），padding ='same'）（c5）
如果将激活放在最后一层，则NN不会收敛。 预期结果为0到255之间的值，而不是0或1。