我正在尝试在通常的 Fisher's Iris 数据集上使用Caffe（150 朵花，每朵花有 4 个特征，分为 3 个类）：

• 如果一朵花属于第 1 类（setosa），网络输出应该是 [1, 0, 0]
• 如果一朵花属于第 2 类（杂色），则网络输出应为 [0, 1, 0]
• 如果一朵花属于第 3 类 (virginica)，则网络输出应为 [0, 0, 1]

我使用SigmoidCrossEntropyLoss来预测 [0,1] 中的 K 个独立概率值。让 ip3 成为连接到 SigmoidCrossEntropyLoss 的层（除了标签层）：查看 ip3 的输出，我将负值解释为类不存在 (0)，将正值解释为类存在 (1)。例如，如果 ip3 的输出是 [-0.3; 0.9; -0.4]，然后我将其解释为 [0; 1个；0]，即存在 2 类但不存在 1 和 3 类。

网络很好地分类了第 1 类和第 3 类（准确率超过 90%），但始终无法预测第 2 类：网络总是预测第 2 类不存在，即网络的第二个输出始终为 0，即 ip3 的第二个输出始终为负，无论输入是什么。

这是我使用的架构。难道我做错了什么？架构不适合这项任务吗？