Image processing 图像分类、恒定验证、精度和准确度

我试图用卷积神经网络对图像数据进行分类。为什么在训练期间，损失、准确度和验证准确度几乎保持不变？你能帮我吗

下面是关于我的图像分类问题的结构和我已经尝试过的一些信息

• 4节课，从0到3
• 列车组：4400张大小为50*50的图像。完美的平衡和正常化
• 验证集：400幅大小为50*50的图像。完美的平衡和正常化
• 尝试不同的模式：这里是最简单的一个

• 尝试不同的优化器：例如学习率从0.1到1e-6的SGD
• 损失：分类交叉熵
• 衡量标准：准确性
• 尝试不同的批量大小：8、16、32
• 第一个时期获得的结果：

• 对1715幅图像的测试集的预测：

类别0:1425； 类别1:0； 类别2:0；

---

第三类：290

由于在建议模型之前没有共享数据，请尝试使用密集层-

---

---

如果模型拟合过度，则尝试减少密集层

model = Sequential()
model.add(Conv2D(32, kernel_size = (3, 3), activation='relu', input_shape=(height, width, num_channel)))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Conv2D(64, kernel_size=(3,3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Conv2D(64, kernel_size=(3,3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Conv2D(32, kernel_size=(3,3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Dropout(0.2))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.3))
model.add(Dense(4, activation = 'softmax'))

model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(height, width, num_channel)),
  tf.keras.layers.Dense(1024, activation='relu'),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(512, activation='relu'),
  tf.keras.layers.Dropout(0.4),
  tf.keras.layers.Dense(256, activation='relu'),
  tf.keras.layers.Dropout(0.6),
  tf.keras.layers.Dense(4, activation='softmax')
])