Python 验证准确度（val_acc）不会随时代而变化

val_acc的值不会随年代而变化

总结：

• 我使用的是来自Keras的预培训（ImageNet）VGG16

  from keras.applications import VGG16
  conv_base = VGG16(weights='imagenet', include_top=True, input_shape=(224, 224, 3))
  

• 来自ISBI 2016（ISIC）的数据库-这是一组900张用于二元分类（恶性或良性）的皮肤损伤图像，用于培训和验证，再加上379张用于测试的图像

• 我使用VGG16的顶层密集层，除了最后一层（分类超过1000个类），并使用带sigmoid函数激活的二进制输出

  conv_base.layers.pop() # Remove last one
  conv_base.trainable = False
  model = models.Sequential()
  model.add(conv_base)
  model.add(layers.Dense(1, activation='sigmoid'))
  

• 解锁密集层，将其设置为可训练层

• 获取“训练数据”文件夹中两个不同文件夹中的数据，一个名为“恶性”，另一个名为“良性”

• 然后我用100多个历元和较低的学习率对其进行微调，将最后一个卷积层设置为可训练

我试过很多方法，比如：

更改优化器（RMSprop、Adam和SGD）

移除预培训VGG16的顶部密集层，并添加矿井

model.add(layers.Flatten())
model.add(layers.Dense(128, activation='relu')) 
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(1, activation='sigmoid')) 

验证生成器中的Shuffle=True

改变批量大小

改变学习率（

0.001、0.0001、2e-5

）

---

结果如下所示：

Epoch 1/100
37/37 [==============================] - 33s 900ms/step - loss: 0.6394 - acc: 0.7857 - val_loss: 0.6343 - val_acc: 0.8101
Epoch 2/100
37/37 [==============================] - 30s 819ms/step - loss: 0.6342 - acc: 0.8107 - val_loss: 0.6342 - val_acc: 0.8101
Epoch 3/100
37/37 [==============================] - 30s 822ms/step - loss: 0.6324 - acc: 0.8188 - val_loss: 0.6341 - val_acc: 0.8101
Epoch 4/100
37/37 [==============================] - 31s 840ms/step - loss: 0.6346 - acc: 0.8080 - val_loss: 0.6341 - val_acc: 0.8101
Epoch 5/100
37/37 [==============================] - 31s 833ms/step - loss: 0.6395 - acc: 0.7843 - val_loss: 0.6341 - val_acc: 0.8101
Epoch 6/100
37/37 [==============================] - 31s 829ms/step - loss: 0.6334 - acc: 0.8134 - val_loss: 0.6340 - val_acc: 0.8101
Epoch 7/100
37/37 [==============================] - 31s 834ms/step - loss: 0.6334 - acc: 0.8134 - val_loss: 0.6340 - val_acc: 0.8101
Epoch 8/100
37/37 [==============================] - 31s 829ms/step - loss: 0.6342 - acc: 0.8093 - val_loss: 0.6339 - val_acc: 0.8101
Epoch 9/100
37/37 [==============================] - 31s 849ms/step - loss: 0.6330 - acc: 0.8147 - val_loss: 0.6339 - val_acc: 0.8101
Epoch 10/100
37/37 [==============================] - 30s 812ms/step - loss: 0.6332 - acc: 0.8134 - val_loss: 0.6338 - val_acc: 0.8101
Epoch 11/100
37/37 [==============================] - 31s 839ms/step - loss: 0.6338 - acc: 0.8107 - val_loss: 0.6338 - val_acc: 0.8101
Epoch 12/100
37/37 [==============================] - 30s 807ms/step - loss: 0.6334 - acc: 0.8120 - val_loss: 0.6337 - val_acc: 0.8101
Epoch 13/100
37/37 [==============================] - 32s 852ms/step - loss: 0.6334 - acc: 0.8120 - val_loss: 0.6337 - val_acc: 0.8101
Epoch 14/100
37/37 [==============================] - 31s 826ms/step - loss: 0.6330 - acc: 0.8134 - val_loss: 0.6336 - val_acc: 0.8101
Epoch 15/100
37/37 [==============================] - 32s 854ms/step - loss: 0.6335 - acc: 0.8107 - val_loss: 0.6336 - val_acc: 0.8101

并且以同样的方式进行，常数

val_acc=0.8101

当我在完成培训后使用测试集时，混淆矩阵对良性病变（304）的正确率为100%，对恶性病变的正确率为0%，因此：

    Confusion Matrix
    [[304   0]
     [ 75   0]]

我可能做错了什么

---

谢谢。

VGG16接受了以RGB为中心的数据培训。但是，您的

ImageDataGenerator

未启用

featurewise_center

，因此您正在向网络提供原始RGB数据。VGG卷积基无法处理这个问题以提供任何有意义的信息，因此您的网络最终会普遍猜测更常见的类

一般来说，当你看到这类问题时（你的网络只猜测最常见的类），这意味着你的数据有问题，而不是网络。这可能是由这样的预处理步骤造成的，也可能是由“中毒”异常训练数据的很大一部分造成的，这些异常训练数据会积极地损害训练过程

    Confusion Matrix
    [[304   0]
     [ 75   0]]