Почему сеть регрессии Keras 2D имеет постоянный выход

Question

Я работаю над некой сетью 2D Regression Deep с керасой, но сеть имеет постоянный вывод для каждого набора данных, даже в этом коде я тестирую набор данных ручной работы, я подпитываю сеть постоянными 2d-значениями, а выходные данные являются линейными X (2*X/100), но выход постоянен.

import resource
import glob
import gc
rsrc = resource.RLIMIT_DATA
soft, hard = resource.getrlimit(rsrc)
print ('Soft limit starts as  :', soft)

resource.setrlimit(rsrc, (4 * 1024 * 1024 * 1024, hard))  # limit to four giga bytes

soft, hard = resource.getrlimit(rsrc)
print ('Soft limit changed to :', soft)

from keras.models import Sequential
import keras.optimizers
from keras.layers import Dense, Dropout, Activation, Flatten, BatchNormalization
from keras.layers import Convolution2D, MaxPooling2D,AveragePooling2D
import numpy as np
import random
from keras.utils import plot_model

sample_size = 1
batch_size = 50
input_shape = (int(720 / 4), int(1280 / 4), sample_size * 5)

# model
model = Sequential()
model.add(BatchNormalization(input_shape=input_shape))
model.add(Convolution2D(128, (3, 3), activation='relu', dim_ordering="tf", padding="same",kernel_initializer='random_uniform'))
model.add(Convolution2D(128, (3, 3), activation='sigmoid', dim_ordering="tf", padding="same",kernel_initializer='random_uniform'))

model.add(AveragePooling2D(pool_size=(4, 4), dim_ordering="tf"))
model.add(Convolution2D(256, (3, 3), activation='sigmoid', dim_ordering="tf", padding="same",kernel_initializer='random_uniform'))
model.add(Convolution2D(256, (3, 3), activation='sigmoid', dim_ordering="tf", padding="same",kernel_initializer='random_uniform'))

model.add(AveragePooling2D(pool_size=(4, 4), dim_ordering="tf"))

model.add(Convolution2D(512, (3, 3), activation='sigmoid', dim_ordering="tf", padding="same",kernel_initializer='random_uniform'))
model.add(Convolution2D(512, (3, 3), activation='sigmoid', dim_ordering="tf", padding="same",kernel_initializer='random_uniform'))

model.add(AveragePooling2D(pool_size=(4, 4), dim_ordering="tf"))

model.add(Flatten())
model.add(Dense(4096, activation='relu',kernel_initializer='random_uniform'))
#model.add(Dropout(0.5))
model.add(Dense(512, activation='sigmoid',kernel_initializer='random_uniform'))
model.add(Dense(1, activation='sigmoid',kernel_initializer='random_uniform'))
model.compile(loss='mean_absolute_error',
              optimizer='adam',
              metrics=['mae','mse'])
model.summary()
plot_model(model,to_file='model.png')

def generate_tr(batch_size, is_training=False):
    x=np.linspace(0, 10, num=5000).reshape(-1, 1)

    counter = 0
    print 'start'
    while 1:
        samples=np.zeros((batch_size, 720/4, 1280/4, 5))
        labels=[]
    for t in range (batch_size):
        i = int(random.randint(0, 4999))
        for b in range(sample_size): 
            samples[t, :,:,b*5:b*5+5] = np.random.rand(720/4,1280/4,5)/10+x[i] 

        labels.append((2*x[i])/100)

        counter += 1
        print counter #, labels
        yield ((samples), np.asarray(labels))


tt = model.fit_generator(generate_tr(batch_size, True), steps_per_epoch=100, epochs=10,
                         use_multiprocessing=False, verbose=2)

score = model.predict_generator(generate_tr(batch_size, True), steps=30)

результат всегда является средним из всех значений (здесь.10)

ты знаешь почему?