tensorflow自编码器+softmax对凯斯西储大学轴承数据进行故障分类

先放参考链接，感谢大神们带来的启发：
凯斯西储大学轴承数据故障分类（使用卷积神经网络）
TensorFlow实现MNIST识别（softmax）
前情回顾：
tensorflow 自编码器+softmax对mnist数据集进行分类
之前利用tensorflow建立自编码器，再加了分类层，实现了对MNIST数据集的分类，但是这是对于图片的处理，我更想要的是对一些时序数据进行分析，因此，尝试用凯斯西储大学的轴承数据进行故障分类。这个轴承数据网上可以直接下载，也有很多介绍，这里就不介绍了。只是提一下我的数据的前期处理。
根据上面的第一个参考链接，原博主是用txt版本的轴承数据直接读入的，但是网上基本找不到这种数据，官网下载下来的也都是mat版本，因此，我也修改了原博主的代码，改为读取mat文件。但是还是存在问题，就是每个mat文件里有3-4个列表，每个列表名字不同且各自包括了120000以上的数据，而我们只需要120000个数据，也就是说只要一个列表的就足够了，其次，当我们利用sicomat函数读取mat文件后，由于有多个列表，导致没办法直接把120000个数据提出来，需要先读取每个列表的名字，再分名字读取数据，而我们一共有10个mat文件，这个工作量就很大了。由于我是个小新手，实在还不太会这个操作，因此我选择了更简单粗暴的方法，就是先用matlab软件打开这些mat文件，删掉文件里多余的列表，只保留一个，同时，还是为了读取数据的时候方便（不然每个文件的列表名字不一样，那就还得读取列表名字后才能操作），将列表名字统一改为"X"。依次对10个文件进行逐个操作后，放入到对应的类别中去。

# -*- coding: utf-8 -*-
"""
Created on Tue Aug 18 16:53:14 2020

@author: Administrator
"""

import numpy as np
import scipy.io as scio
import tensorflow as tf
import os

"""
预处理有以下几个步骤：
1.以400个采样点为一个样本，取300个样本（取120000个采样点）
2.取200个作为训练集，100个作为测试集。
3.将六种类别数据堆叠成numpy数组
3.把训练集和测试集样本变形为(1620,20,20,1)，这样就可以喂入卷积神经网络里进行训练了。
4.打乱数据
5.将标签转化为one-hot
"""
#重置图，否则后面跑第二遍进行预测时，会提示找不到变量（因为我们第二遍运行的时候重复定义了）
tf.reset_default_graph()

def yuchuli(data,label):
    a = scio.loadmat(data)
    a=a['X']
    a = a[0:120000]
    a  = a.reshape(300,400)
    np.random.shuffle(a) #打乱函数顺序
    train = a[:200,:]
    test = a[200:,:]
    label_test = np.array([label for i in range(0,100)])
    #将标签填入后，label_test形状为（100，），维度并没有固定，这样我们后面无法天赋到y_true中，因此想要用reshap