我正在尝试创建一个可以识别字母（26个类）的NN。对于冗长的帖子，我深表歉意，但是我已经包括了所有相关代码，以使其尽可能清晰。最后，我解释了这个问题。
以下块是我正确命名路径，标准化/标准化图像并准备进行训练的地方。
X = [] # Image data
y = [] # Labels
datagen = ImageDataGenerator(samplewise_center=True)
for path in imagepaths:
img = cv2.imread(path)
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
img = cv2.resize(img, (200, 200))
img = image.img_to_array(img)
img = datagen.standardize(img)
X.append(img)
# Processing label in image path
category = path.split("\\")[1]
#print(category)
split = (category.split("_"))
if int(split[0]) == 0:
label = int(split[1])
else:
label = int(split[0])
y.append(label)
# Turn X and y into np.array to speed up train_test_split
X = np.array(X, dtype="uint8")
X = X.reshape(len(imagepaths), 200, 200, 1)
y = np.array(y)
创建测试集。
ts = 0.3
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=ts, random_state=42)
创建模型。密度为26，每个字母一个输出，大小为200,200,1以匹配输入：
model = Sequential()
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(200, 200, 1)))
model.add(MaxPooling2D((2, 2)))
model.add(BatchNormalization())
model.add(Dropout(0.5))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D((2, 2)))
model.add(BatchNormalization())
model.add(Dropout(0.5))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D((2, 2)))
model.add(BatchNormalization())
model.add(Dropout(0.5))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dense(26, activation='softmax'))
模型编译器适合：
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
model.fit(X_train, y_train, epochs=1, batch_size=64, verbose=1, validation_data=(X_test, y_test))
问题出在这里，我的model.fit的输出是：
Train on 54600 samples, validate on 23400 samples
Epoch 1/1
54600/54600 [==============================] - 79s 1ms/step - loss: nan - accuracy: 1.8315e-05 - val_loss: nan - val_accuracy: 0.0000e+00
我知道这可能不是很高的准确性，也可能一无所获，但是为什么损失会减少呢？我在其他地方发布了信息，并首先被告知要对我的数据进行规范化（我对此信息进行了修复）。然后我被告知，我的数据集可能已损坏或泄漏-情况并非如此，因为当我一次不写26个字母时，它就可以正常工作。 （意思是我使用字母A-J，密集= 10等对代码进行了测试），并获得了约95％的高精度。
感谢您的帮助，我已经为此花了好几个小时了！