Python 极高的分类准确度

我试图训练一个CNN分类器，在七类图像中执行图像分类。天真地说，我希望该算法在早期训练时能产生约20%的准确率，但它在约40%的准确率范围内，这让我得出结论，不知何故，我的模型没有正确地计算分类准确率。我做错了什么

导入全局
从keras.preprocessing.image导入ImageDataGenerator
从keras.models导入顺序
从keras.layers导入Conv2D、MaxPooling2D
从keras.layers导入激活、脱落、变平、致密
从keras导入后端为K
从keras.utils导入plot\u模型
从keras.metrics导入顶级分类精度
#定义常数
img_高度=299
img_宽度=299
批量大小=40
纪元=30
列车数据方向=“/train/”
validate_data_dir=“./validate/”
test_data_dir=“/test/”
nb_train_samples=len（glob.glob（train_data_dir+“***.jpg”））
nb_validation_samples=len（glob.glob（validate_data_dir+“***.jpg”））
nb_test_samples=len（glob.glob（test_data_dir+“***.jpg”））
#定义CNN层
如果K.image_data_format（）==“channels_first”：
输入形状=（3，img\u宽度，img\u高度）
其他：
输入形状=（img\u宽度，img\u高度，3）
模型=顺序（）
model.add（Conv2D（32，（3，3），input_shape=input_shape））
添加（激活（'relu'））
add（MaxPooling2D（池大小=（2,2）））
model.add（Conv2D（32，（3,3）））
添加（激活（'relu'））
add（MaxPooling2D（池大小=（2,2）））
model.add（Conv2D（64，（3,3）））
添加（激活（'relu'））
add（MaxPooling2D（池大小=（2,2）））
model.add（展平（））
模型.添加（密度（64））
添加（激活（'relu'））
模型。添加（辍学率（0.5））
model.add（密集型（7，activation='softmax'））
def top_2_分类精度（y_true，y_pred）：
返回top_k_分类精度（y_true，y_pred，k=2）
model.compile（loss='classifical_crossentropy'，
优化器='adam'，
指标=[‘分类准确度’、顶级分类准确度]）
#列车数据发生器
打印（“\n初始化培训数据生成器：”）
列车\数据发生器=图像数据发生器（重缩放=1./255）
train_generator=来自目录的train_datagen.flow_(
列车数据目录，
目标尺寸=（图像宽度、图像高度），
批次大小=批次大小，
class_mode='classifical'）
打印（“”）
#验证数据源
打印（“初始化验证数据生成器：”）
验证\u datagen=ImageDataGenerator（重缩放=1./255）
有效的\u生成器=验证\u datagen.flow\u来自\u目录(
验证\u数据\u目录，
目标尺寸=（图像宽度、图像高度），
批次大小=批次大小，
class_mode='classifical'）
打印（“”）
#测试数据发生器
打印（“初始化测试数据生成器：”）
test_datagen=ImageDataGenerator（重缩放=1./255）
test_generator=test_datagen.flow_from_目录(
测试数据目录，
目标尺寸=（图像宽度、图像高度），
批次大小=批次大小，
class_mode='classifical'）
打印（“”）
#跑
打印（“开始培训…”）
1.2型拟合发生器(
列车发电机，
每个历元的步数=nb\U序列样本//批量大小，
时代，
验证\u数据=有效的\u生成器，
验证\u步骤=nb\u验证\u样本//批次大小，
详细信息=2）
打印（“完成！\n\n”）
#节省重量
model.save（'model.h5'）
#评估
打印（“开始测试…”）
打印（“[损失，错误百分比]”）
模型。评估发电机（测试发电机）

以下是输出：

使用TensorFlow后端。
正在初始化训练数据生成器：
找到了5600张属于7类的图片。
正在初始化验证数据生成器：
找到了700张属于7类的图片。
正在初始化测试数据生成器：
找到了700张属于7类的图片。
开始训练。。。
纪元1/30
-58s-损失：1.8719-分类准确率：0.2279-顶级2-分类准确率：0.4107-价值损失：1.8315-价值分类准确率：0.2809-价值顶级2-分类准确率：0.4456
纪元2/30
-53s-损失：1.7584-分类准确率：0.2913-顶级2-分类准确率：0.4714-价值损失：1.6551-价值分类准确率：0.3485-价值顶级2-分类准确率：0.5559
纪元3/30
-53s-损失：1.6987-分类精度：0.3166-顶级2-分类精度：0.5150-价值损失：1.6445-价值分类精度：0.3897-价值顶级2-分类精度：0.5735
纪元4/30
-53s-损失：1.6495-分类准确率：0.3407-顶级2-分类准确率：0.5418-价值损失：1.5398-价值分类准确率：0.3868-价值顶级2-分类准确率：0.6029
纪元5/30
-53s-损失：1.5844-分类准确率：0.3687-顶级2-分类准确率：0.5729-增值损失：1.5124-增值分类准确率：0.4162-增值顶级2-分类准确率：0.5985
纪元6/30
-53s-损失：1.4989-分类准确率：0.4075-顶级2-分类准确率：0.6132-价值损失：1.5065-价值分类准确率：0.3956-价值顶级2-分类准确率：0.6029
纪元7/30
-53s-损失：1.4233-分类准确率：0.4314-顶级分类准确率：0.6416-价值损失：1.4560-价值分类准确率：0.4618-价值顶级分类准确率：0.6441
纪元8/30
-53s-损失：1.3212-分类准确率：0.4754-顶级分类准确率：0.6770-价值损失：1.4556-价值分类准确率：0.4324-价值顶级分类准确率：0.6309
纪元9/30
-53s-损失：1.2623-分类准确率：0.4993-顶级分类准确率：0.7055-价值损失：1.5422-价值分类准确率：0.4397-价值顶级分类准确率：0.6279
纪元10/30

发生这种情况的原因有两方面：

使用

steps\u per\u epoch=nb\u train\u samples//batch\u size

意味着它只能在

batch\u size

epoch之后看到整个集合

未设置

shuffle

选项

---

结果，模特儿学会了为某个特定的班级投票。虽然可以说，这不是一个“错误”，但它关系到在一个时代结束时的准确性如此之高。

是什么让你认为任何事情都是错误的？你期望的20%似乎只是一个随机数，我知道