【问题记录1: “IndexError: index 13 is out of bounds for axis 1 with size 13“】

问题排查过程：

1. 首先检查类别数目的设置，类别数目为14，类别数目设置为14，因此index应该可以达到13，排除此问题。

2. 通过打印出具体类别的标签发现，一个batch的样本缺少9这个标签，所以总共类别数只有13个，所以无法索引到13。
   

原因：数据集类别不平衡，类别9的样本数比较少，一个batch中没有随机采样到类别9。

解决方法：增加batch size为256（原来为128）。

效果：问题解决。附带效果，训练的准确度竟然也有所上升（97提升到98）。开心：）

————————————————————————————————————————
后来发现，增加batch的情况并不能从根本上解决类别缺少的问题。

进一步解决：将类别标签后面增加与类别数目相同的一系列数，比如这里是14类，就加上[0,1,2,…,13],在后面的one-hot表示后，再去除后面14个数。

    label = np.array(label)
    # 加上14个数（以防有的类别在batch中没出现对后面预测产生影响）
    for i in range(NB_CLASSES):
        label = np.append(label, i)one_hot_encoder = OneHotEncoder(sparse=False, handle_unknown='ignore')
    one_hot_encoder.fit(label.reshape(-1, 1))
    true_scores = one_hot_encoder.transform(label.reshape(-1, 1))
   
    #将之前加上的14个值都去掉
    true_scores = true_scores[:-14]`

新问题出现：ValueError: Only one class present in y_true. ROC AUC score is not defined in that case.

新问题原因：预测的过程，模型将样本全部预测为同一类标签（但之后会逐渐预测对）。

新问题解决：使用try-except来捕捉出现的ValueError错误，pass之后使其正常运行。

（参考链接：https://blog.csdn.net/m0_37634290/article/details/108822914 ）

————————————————————————————————————————
最终发现，其实可以不需要每个epoch都计算准确度、roc什么的，直接最终计算就可以。这样一来上面的问题就不存在了:(