Python Keras CNN的准确度要么是静态的，要么对图像分类来说太高

我正在尝试实现一个卷积神经网络，可以检测一个人是否戴眼镜。不幸的是，无论我对学习速率、特定优化器等使用哪种精确设置，我都会得到非常奇怪的结果。在大多数设置中，我注意到我的模型的精度在第二个历元后不会改变，并且停留在0.56左右（这接近于一个标签2700张图像与另一个标签2200张图像的比率）。在其他运行中，在设置稍有不同的情况下，准确度突然上升到0.9左右并不断增加。然而，在这两种情况下，模型每次预测的分类都完全相同（“带眼镜”）（即使是在培训/验证集中的图像上），始终具有100%的置信水平（每次标签正好为1）

我对用于图像分类的神经网络没有太多经验，因此我不太确定如何解决这个问题。我尝试从数据集中打印一些值及其各自的标签，标签确实包含两个标签（0和1）因此，我认为这可能是我的模型的一个问题，但我自己不能真正弄清楚。我尝试过不同的优化器（Adam，SGD），越来越小的学习率，不同的动量值，更少/更多的卷积层，填充和内核初始化器的不同参数，不同的批量大小…它仍然停留在快速提高精度或静态精度上

我的代码如下所示：

#参数
批量大小=16
img_高度=180
img_宽度=180
num_classes=2
纪元=10
#训练数据
训练\u db=tf.keras.preprocessing.image\u数据集\u来自\u目录(
`D:\archive\faces\`，
验证_分割=0.2，
subset=“培训”，
种子=123，
图像大小=（图像高度，图像宽度），颜色模式=“灰度”，
批次大小=批次大小）
#验证数据
val_db=tf.keras.preprocessing.image_数据集来自_目录(
`D:\archive\faces\`，
验证_分割=0.2，
subset=“验证”，
种子=123，
图像大小=（图像高度，图像宽度），颜色模式=“灰度”，
批次大小=批次大小）
#加快模型训练
自动调谐=tf.data.experimental.AUTOTUNE
train\u db=train\u db.cache（）.shuffle（1000）.预取（缓冲区大小=自动调谐）
val_db=val_db.cache（）.预取（缓冲区大小=自动调谐）
#建立模型
模型=顺序([
层。实验。预处理。重缩放（1./255），
layers.Conv2D（16，（3,3），activation='relu'，input_shape=（img_宽度，img_高度，1），kernel_初始化器='he_uniform'，padding='same'），
层。MaxPoolig2D（2,2），
layers.Conv2D（32，（3,3），activation='relu'，kernel\u initializer='he\u uniform'，padding='same'），
层。MaxPoolig2D（2,2），
clayers.Conv2D（64，（3,3），activation='relu'，kernel\u initializer='he\u uniform'，padding='same'），
层。MaxPoolig2D（2,2），
clayers.Conv2D（64，（3,3），activation='relu'，kernel\u initializer='he\u uniform'，padding='same'），
层。MaxPoolig2D（2,2），
clayers.Conv2D（64，（3,3），activation='relu'，kernel\u initializer='he\u uniform'，padding='same'），
层。MaxPoolig2D（2,2），
层。展平（），
密集层（512，激活='relu'，内核初始化器='he_uniform'），
层。致密（1，激活='s形'）
])
#不同的优化器选项
opt=tf.keras.optimizers.SGD（学习率=0.001，动量=0.9）
opt2=tf.keras.optimizers.Adam（学习率=0.001）
#编译模型
model.compile(
优化器=opt，
loss=tf.loss.BinaryCross熵（），
度量（精确性）
#训练模型
模型拟合（训练数据库，验证数据=val数据库，历元数=历元数）

因为您使用的是loss=tf.loss.BinaryCrossentropy（），所以在\u目录中的image\u dataset\u中，您需要为train\u db和val\u db添加标签\u mode='binary'。对于val\u db add shuffle=False

我尝试添加此项，但不幸的是没有效果。看起来有区别的是使用了更少的数据量（实际数据集的10%），现在它实际预测的值介于0和1之间。请尝试在model.fit中添加batch_size=batch_size