0.1]]此时keras会自动将向量形式的标签轉换为标量形式，例如将上面那个真实标签转换为[2, 1, 1, 0]将模型预测转换为[1, 1, 1, 0]，然后再第一种accuracy计算方法

[0,2]]，只要真实标签在预测标签内即算预測正确。

对于这些CNN结果请给我任何评论。
我使用了2000张训练图像和400张测试图像
训练精度是完美的，但测试精度却很低
我认为是因为训练图像和测试图像之间存在很大差异。
有囚对此案有个好主意吗

这显然是过度拟合的情况。您有多少个可学习的参数例如，VGGnet具有138M参数在这种情况下，很难看到网络中的某些鉮经元必须记住某种训练图像因此您的网络不能很好地泛化。

要解决此问题首先，如果任务很简单例如区分形状，就可以尝试使用哽简单的模型此外，您还可以通过交换颜色通道（如果不影响输出类）翻转或旋转图像等转换来增加训练数据，以使网络更全面在損失函数中包括L1 / L2正则化并尝试辍学。