問題描述：
在利用神經網絡進行分類和識別的時候，使用了keras這個封裝層次比較高的框架，backend使用的是tensorflow-cpu。
在交叉驗證的時候，出現 val_categorical_accuracy: 0.0000e+00的問題。
問題分析：
首先，弄清楚，訓練集、驗證集、測試集的區別，驗證集是從訓練集中提前拿出一部分的數據集。在keras中，一般都是使用這種方式來指定驗證集佔訓練集和的總大小。
validation_split=0.2
比如，經典的數據集MNIST，共有60000個訓練集，就會
Train on 48000 samples, validate on 12000 samples
我自己學習使用的數據集比較小
訓練數據集樣本數： 498 ,標籤個數 498
Train on 398 samples, validate on 100 samples
基本上符合4：1（0.2）的分配
出現 val_categorical_accuracy: 0.0000e+00的問題，我這邊的原因主要是，樣本本身是有規律的，導致分配的驗證集的標籤可能在訓練集中可能就沒有。
（PS：我實際看了下，498個樣本共10個標籤，後100個驗證集佔據了基本上後面3個標籤（實際上，這三個標籤佔了103個樣本），也就是前面的訓練集基本上就沒有後面的標籤，整體佔據前面7個標籤）
問題解決：
把最初始的訓練集打亂，當然，標籤也要跟着移動。
index = [i for i in range(len(x_train))]
np.random.shuffle(index)
x_train = x_train[index]
y_train = y_train[index]
model.fit(x_train, y_train, batch_size=32, epochs=10, validation_split=0.2, verbose=1)
同樣的問題表現，可能有不同的原因，解決方法也不盡相同，這裏只是和大家分享我自己的問題解決過程。