为什么我在 keras 3d CNN 中的准确率始终为 0？

Question

一般来说，我对 keras、cnn 和深度学习相当陌生，所以如果解决方案非常简单，我非常抱歉。我真的陷入了死胡同。所以，问题是，我有一个 3D CNN，其输入数据为 50x50x50 的立方体。我想将它们分类为0或1，所以这是一个二元分类问题。在将其拟合到神经网络之前，我当然准备了数据，对其进行重构、调整大小和标准化。因此，图像具有可比性（1 体素为 2 毫米），标准化为 0 到 1 范围且大小相同。因此，当我尝试将数据拟合到我的模型中时，结果并不那么令人鼓舞。准确度始终显示为 0，我在单个 epoch 中获得的最高准确度是accuracy: 0.0159，损失始终在 3.2 到 3.5 之间我也改变了 epoch 的数量，但无论是 5 个还是 50 个都没关系。结果总是相同的。这是我的 CNN 架构的代码    model = Sequential()    model.add(Conv3D(64, kernel_size=(5, 5, 5), activation='linear',                     kernel_initializer='glorot_uniform', input_shape=shape))    model.add(BatchNormalization(center=True, scale=True))    model.add(LeakyReLU(.1))    model.add(Dropout(.25))    model.add(Conv3D(128, kernel_size=(3, 3, 3), activation='linear',                     kernel_initializer='glorot_uniform'))    model.add(BatchNormalization(center=True, scale=True))    model.add(LeakyReLU(.1))    model.add(MaxPooling3D(pool_size=(3, 3, 3)))    model.add(Dropout(.25))    model.add(Conv3D(256, kernel_size=(3, 3, 3), activation='linear',                     kernel_initializer='glorot_uniform'))    model.add(BatchNormalization(center=True, scale=True))    model.add(LeakyReLU(.1))    model.add(Dropout(.25))    model.add(Conv3D(512, kernel_size=(3, 3, 3), activation='linear',                     kernel_initializer='glorot_uniform'))    model.add(BatchNormalization(center=True, scale=True))    model.add(LeakyReLU(.1))    model.add(MaxPooling3D(pool_size=(3, 3, 3)))    model.add(Dropout(.25))    model.add(Flatten())    model.add(Dense(256))    model.add(BatchNormalization(center=True, scale=True))    model.add(LeakyReLU(.1))    model.add(Dropout(.5))    model.add(Dense(512))    model.add(BatchNormalization(center=True, scale=True))    model.add(LeakyReLU(.1))    model.add(Dropout(.5))    model.add(Dense(256))所以我想问一下，我的架构有什么问题吗？或者您认为问题更多出在数据方面？我只有 420 张图像；其中 3/4 用于训练，1/4 用于测试。这可能是问题所在吗？当基本模型运行稳定时，我想稍后增强图像。或者我必须先这样做？

Answer 1

这对于具有两个类别的分类问题没有意义：

model.add(Dense(256))
model.add(BatchNormalization(center=True, scale=True))
model.add(Activation('softmax'))

改成这样：

model.add(Dense(1))
model.add(Activation('sigmoid'))

还可以考虑使用'relu'激活而不是'linear'卷积层。