Neural network Keras图像的二值分类

我试图在Keras中仅使用一个通道对图像（29 x 29）进行分类。如果中间像素在某个范围内，则输出为1，否则为0

对于培训集，我有10000个输出为1的图像和30000个输出为0的图像，我使用以下体系结构：

model=Sequential（）
#内核=（4,4）；6个输出映射26x26
添加（卷积2D（6,4,4，输入形状=（img\u通道，img\u行，img\u列）））
添加（激活（'relu'））
#13x13的6个输出图
add（MaxPooling2D（池大小=（2,2）））
#12个10x10的输出图；内核=（4，4）
模型添加（卷积2D（12,4,4））
添加（激活（'relu'））
#12个5x5的输出图
add（MaxPooling2D（池大小=（2,2）））
#24个4x4输出图；内核=（2，2）
模型添加（卷积2D（24,2,2））
添加（激活（'relu'））
model.add（展平（））
model.add（密集型（1，激活='sigmoid'））

对于编译，我使用了二进制熵损失

model.compile（loss='binary'u crossentropy'，optimizer='sgd'，class='u mode='binary'）

精度波动，但在每个历元后达到最终值0.75。

---

我有什么遗漏吗？有什么我应该改变或添加，以使这项工作

试图解释你的方法时，你希望你的CNN只能看到29*29像素中的1个。我不是专家，但这听起来对CNN来说不是个好问题。但是，通常如果您的网络在训练数据上取得了不好的结果，则说明您的网络太小。所以你可以试着把它变大。您可以考虑的另一件事是：您的设置（内核大小、层、池）实际实现了什么？您的设置是否不适合此类任务？下面是我要做的：

• 在没有CNN的情况下试试这个，即使用1或2个完全连接的层，看看会发生什么
• 使分辨率“更精细”，即使用（3,3）过滤器大小
• 删除maxpooling（maxpooling丢弃信息以使功能更加不变，我看不出您需要这个）
• 添加更多conv层
• 可能与此无关，但您的数据集非常小，因此您不需要sgd的速度优势，请选择其他优化器

---

您的培训和测试情况如何？这是一个玩具项目吗？

试图解释你的方法，你希望你的CNN只看29*29像素中的一个。我不是专家，但这听起来对CNN来说不是个好问题。但是，通常如果您的网络在训练数据上取得了不好的结果，则说明您的网络太小。所以你可以试着把它变大。您可以考虑的另一件事是：您的设置（内核大小、层、池）实际实现了什么？您的设置是否不适合此类任务？下面是我要做的：

• 在没有CNN的情况下试试这个，即使用1或2个完全连接的层，看看会发生什么
• 使分辨率“更精细”，即使用（3,3）过滤器大小
• 删除maxpooling（maxpooling丢弃信息以使功能更加不变，我看不出您需要这个）
• 添加更多conv层
• 可能与此无关，但您的数据集非常小，因此您不需要sgd的速度优势，请选择其他优化器

您的培训和测试情况如何？这是一个玩具项目吗