Python 3.x 如何提高CNN模型的性能？（Keras，Tensorflow）

模型只为所有测试图像生成一个输出，尽管测试集有所有可能的类

我已经尝试过使用不同的优化器和损失函数

model = tf.keras.models.Sequential([
    tf.keras.layers.Conv2D(64, (3, 3), input_shape=x.shape[1:], activation='relu'),
    tf.keras.layers.MaxPooling2D(pool_size=(2, 2)),
    tf.keras.layers.Conv2D(64, (3, 3), activation='relu'),
    tf.keras.layers.MaxPooling2D(pool_size=(2, 2)),
    tf.keras.layers.Conv2D(64, (3, 3), activation='relu'),
    tf.keras.layers.MaxPooling2D(pool_size=(2, 2)),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(512, activation='relu'),
    tf.keras.layers.Dense(1, activation='sigmoid')
])
model.compile(optimizer="adam", loss="binary_crossentropy", metrics=["accuracy"])
model.fit(x, y, epochs=10, batch_size=32)

预期结果：预测给定图像的寄生或未感染样本

实际结果：预测总是同一类。所有图像都被寄生或未受感染

tf.keras.layers.Dense(1, activation='sigmoid')

你也可以用另一种方式来做，把它当作一个分类问题来处理，所以你的代码应该是这样的

tf.keras.layers.Dense（2，activation='softmax'）

，并且损失应该是分类交叉熵

---

问题：您的模型似乎要简单得多，无法概括数据进行预测，而是使用预先训练的模型，如果数据较少，则使用特征提取和微调方法。希望这能帮你好运：

不。当我们使用S形函数时，神经元的数目是1，因为它给出的值在0-1之间。它主要用于二进制分类。PS：我也试过这么做。我认为你应该在密集层和类号达到2后使用softmax作为激活函数。你在回答中已经说过了，这是不正确的；对于二进制分类问题，

loss=“binary\u crossentropy”

和

activation='sigmoid'

的组合是完全有效的，最常见的选择是您需要添加更多细节，如每个类的图像数量、图像大小等。您如何测试分类器？培训和验证的准确性如何？