Keras-为什么我的CNN模型的准确性不受超参数的影响？

正如标题清楚地描述的，我的简单CNN模型的准确性不受超参数影响，甚至不受层的存在影响，例如

Dropout

，和

MaxPooling

。我使用

Keras

实现了这个模型。这种奇怪情况背后的原因是什么？我在下面添加了代码的相关部分：

input_dim = X_train.shape[1]
nb_classes = Y_train.shape[1]

model = Sequential()
model.add(Conv1D(filters=64, kernel_size=3, activation='relu', input_shape=(input_dim, 1)))
model.add(Dropout(0.5))
model.add(MaxPooling1D(pool_size=2))
model.add(Flatten())
model.add(Dense(40, activation='relu'))
model.add(Dense(nb_classes, activation='softmax'))

model.compile(loss='mean_squared_error', optimizer='adam', metrics=['accuracy'])

p、 s.输入数据（

X_列

和

X_测试

）包含由

Word2Vec

复制的向量。输出是二进制的

编辑：您可以在下面找到培训日志示例：

培训日志示例：

Train on 3114 samples, validate on 347 samples
Epoch 1/10
 - 1s - loss: 0.6917 - accuracy: 0.5363 - val_loss: 0.6901 - val_accuracy: 0.5476
Epoch 2/10
 - 1s - loss: 0.6906 - accuracy: 0.5369 - val_loss: 0.6896 - val_accuracy: 0.5476
Epoch 3/10
 - 1s - loss: 0.6908 - accuracy: 0.5369 - val_loss: 0.6895 - val_accuracy: 0.5476
Epoch 4/10
 - 1s - loss: 0.6908 - accuracy: 0.5369 - val_loss: 0.6903 - val_accuracy: 0.5476
Epoch 5/10
 - 1s - loss: 0.6908 - accuracy: 0.5369 - val_loss: 0.6899 - val_accuracy: 0.5476
Epoch 6/10
 - 1s - loss: 0.6909 - accuracy: 0.5369 - val_loss: 0.6901 - val_accuracy: 0.5476
Epoch 7/10
 - 1s - loss: 0.6905 - accuracy: 0.5369 - val_loss: 0.6896 - val_accuracy: 0.5476
Epoch 8/10
 - 1s - loss: 0.6909 - accuracy: 0.5369 - val_loss: 0.6897 - val_accuracy: 0.5476
Epoch 9/10
 - 1s - loss: 0.6905 - accuracy: 0.5369 - val_loss: 0.6892 - val_accuracy: 0.5476
Epoch 10/10
 - 1s - loss: 0.6909 - accuracy: 0.5369 - val_loss: 0.6900 - val_accuracy: 0.5476

---

我假设你有多类分类，对吗

那么你的损失就不合适了：你应该使用“

分类交叉熵”
“not”
均方误差
”

另外，尝试添加几个Conv+Drop+MaxPool（3组），以清楚地验证网络的健壮性。
首先，您需要将最后一层更改为

model.add(Dense(1, activation='sigmoid'))

您还需要将损失函数更改为

model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

使用
mse
作为多类别分类问题的损失没有错。它仍然是一个有效的损失函数。只是在大多数情况下，
categorical\u crossentropy
的性能更好。精确度仍然是一样的。在这两者之间，我正在处理一个二进制分类问题，因为我的目标类是
0
，和
1
。你是对的，mse不是一个错误的分类，这就是我编辑文本答案的原因。精度仍然保持不变。那么，您的数据集是什么样子的呢？我认为您在数据预处理过程中做错了什么，或者您的X与y无关。我发现你的输入形状（input_dim，1）也不正常，就像你试图把一个单词分成两类中的一类。这真的是你正在做的吗？实际上我正在做的是提取恶意和良性Android应用程序的特征，以便将它们分为两类。这些特征基本上是字符串，我正在构造特征向量。
input_dim
是每个向量的大小。输入数据的形状为
（3451100）
。您可以尝试的第一个解决方案是训练您自己的嵌入，但在这样做之前，需要首先对文本数据进行一些预增强（标记化、柠檬化、转换为索引……）。然后，您可以在keras中使用嵌入层，然后在其上添加LSTM或任何其他reccurent网络。现在我假设你的数据是一个脚本，真的是这样吗？你能不能也给出一些你正在分类的细节？也许是一个你想要的对象的例子classify@TimbusCalin是的，但使用的损失函数是“mse”。然而，准确度没有下降的事实更多地与所使用的数据有关。