Keras模型不训练层，验证精度始终为0.5

Question

我的Keras CNN模型（基于AlexNet的实现）的训练精度始终接近0.5（在+-0.02范围内），并且验证精度始终为0.5，无论哪个时期。它是一个二元分类模型，其中训练/val 拆分大约为 85/15，在这两个集合中，每个类的图像拆分为 50/50。无论我使用哪种模型架构，还是使用随机或ImageNet权重初始化，验证精度始终为0.5。事实上，当我没有将图像分成50/50的二元分类时，验证准确性将反映这一点（因此，当我有更多属于一个类的图像时，验证精度将始终为0.85）。由于最后一点，我怀疑问题不在于模型或权重优化，而在于我对ImageDataGenerator类的实例化 - 尽管这只是现阶段的一种有教养的预感。我已经在下面包含了我的代码，任何人都可以找到任何明显的错误吗？sz=224 # image width = height = 224batch_size=64train_data_dir = r"./crack_dataset/train"validation_data_dir = r"./crack_dataset/validate"nb_train_samples = 3416nb_val_samples = 612train_datagen = ImageDataGenerator(rescale=1./255)validation_datagen = ImageDataGenerator(rescale=1./255)train_generator = train_datagen.flow_from_directory(train_data_dir,                                                    target_size = (sz, sz),                                                    batch_size=batch_size,                                                    class_mode='binary')validation_generator = validation_datagen.flow_from_directory(validation_data_dir,                                                              target_size = (sz, sz),                                                              batch_size=batch_size,                                                              class_mode='binary')# Create Model model = Sequential()model.add(Conv2D(filters=96, input_shape=input_shape, kernel_size=(11,11), strides=(4,4), padding='valid', activation='relu'))model.add(MaxPooling2D(pool_size=(2,2), strides=(2,2), padding='valid'))model.add(Conv2D(filters=256, kernel_size=(11,11), strides=(1,1), padding='valid', activation='relu'))

Answer 1

问题是优化器的学习速度，值太大了。如注释中所示，应将其设置为接近 0 的低值。

您可以在下图中看到学习速率如何影响分类准确性：

Answer 2

这是一个评论，但太长了，所以我切换到一个正确的答案。

我还没有尝试过你的CNN，但我会修改你的图层。我不是设计CNN架构的专家，但我不认为连续有2层具有相同参数（第5层和第6层）的意义，这对我迄今为止所学到的东西来说毫无用处。尝试使用一些简单的体系结构，并从那里“纵向扩展”（就体系结构的复杂性而言）。

此外，在“单位数量”（第1，第3，第5，第6，第7层，Conv2D）方面上下可能不是最好的策略，每次你上升时，你都会根据要获得的特征进行概括，因为你从更少的特征开始，你要求你的网络从较小的集合创建特征。在某些情况下，它可能很有用，但我不认为这是其中之一。

对于重新缩放，您不需要调用“ImageDataGenerator”，您可以通过以下方式获得相同的结果：

train_datagen = train_datagen/255.0

尽可能简化。