Python 在Keras中使用CNN模型获得相当差的精度

我对机器学习非常陌生，我有一个CNN模型来分类7种仪器： {“巴松管”：0，“二胡”：1，“长笛”：2，“法国号”：3，“吉他”：4，“萨克斯管”：5，“小提琴”：6}

有1214张图像用于培训，1206张图像用于测试

这是我的模型：

import tensorflow as tf
from tensorflow.keras.preprocessing.image import ImageDataGenerator


normalizedTrainingSet = ImageDataGenerator(rescale=1 / 255)
normalizedTestingSet = ImageDataGenerator(rescale=1 / 255)


trainingClass = normalizedTrainingSet.flow_from_directory("DataSet/Training",
                                                          target_size=(100, 100),
                                                          batch_size=32,
                                                          class_mode="categorical",
                                                          shuffle=True)

testingClass = normalizedTrainingSet.flow_from_directory("DataSet/Testing",
                                                         target_size=(100, 100),
                                                         batch_size=32,
                                                         class_mode="categorical",
                                                         shuffle=True)

print(trainingClass.class_indices)
print(testingClass.class_indices)

model = tf.keras.models.Sequential \
        ([
        tf.keras.layers.Conv2D(200, (3, 3), activation="softmax", input_shape=(100, 100, 3)),
        tf.keras.layers.MaxPool2D(2, 2),
        tf.keras.layers.Conv2D(200, (3, 3), activation="softmax", input_shape=(100, 100, 3)),
        tf.keras.layers.MaxPool2D(2, 2),
        tf.keras.layers.Conv2D(200, (3, 3), activation="softmax", input_shape=(100, 100, 3)),
        tf.keras.layers.MaxPool2D(2, 2),
        tf.keras.layers.Conv2D(200, (3, 3), activation="softmax", input_shape=(100, 100, 3)),
        tf.keras.layers.MaxPool2D(2, 2),
        tf.keras.layers.Flatten(),
        tf.keras.layers.Dense(142, activation="softmax"),
        tf.keras.layers.Dense(1, activation="sigmoid")
    ])

model.compile(loss="categorical_crossentropy", optimizer="adam", metrics=['accuracy'])

fittedModel = model.fit(trainingClass, epochs=1, batch_size=100, validation_data=testingClass, shuffle=True)

model.save('newModel')

我得到的准确度是：

我想在以后添加纪元，因为该模型需要花费太多的时间来训练

谢谢你的帮助

更新： 我删除了批量大小，得到了85%的惊人结果，但是预测是错误的，如果我告诉模型在训练数据集中的图像上进行预测，它会大错特错

更新2： 我将softmax更改为relu，我的准确率现在是15%

import tensorflow as tf
from tensorflow.keras.preprocessing.image import ImageDataGenerator


normalizedTrainingSet = ImageDataGenerator(rescale=1 / 255)
normalizedTestingSet = ImageDataGenerator(rescale=1 / 255)


trainingClass = normalizedTrainingSet.flow_from_directory("DataSet/Training",
                                                          target_size=(100, 100),
                                                          class_mode="categorical",
                                                          shuffle=True)

testingClass = normalizedTrainingSet.flow_from_directory("DataSet/Testing",
                                                         target_size=(100, 100),
                                                         class_mode="categorical",
                                                         shuffle=True)

print(trainingClass.class_indices)
print(testingClass.class_indices)

model = tf.keras.models.Sequential \
        ([
        tf.keras.layers.Conv2D(200, (3, 3), activation="relu", input_shape=(100, 100, 3)),
        tf.keras.layers.MaxPool2D(2, 2),
        tf.keras.layers.Conv2D(200, (3, 3), activation="relu", input_shape=(100, 100, 3)),
        tf.keras.layers.MaxPool2D(2, 2),
        tf.keras.layers.Conv2D(200, (3, 3), activation="relu", input_shape=(100, 100, 3)),
        tf.keras.layers.MaxPool2D(2, 2),
        tf.keras.layers.Conv2D(200, (3, 3), activation="relu", input_shape=(100, 100, 3)),
        tf.keras.layers.MaxPool2D(2, 2),
        tf.keras.layers.Flatten(),
        tf.keras.layers.Dense(142, activation="softmax"),
        tf.keras.layers.Dense(7, activation="sigmoid")
    ])

model.compile(loss="categorical_crossentropy", optimizer="adam", metrics=['accuracy'])

fittedModel = model.fit(trainingClass, epochs=1, validation_data=testingClass, shuffle=True)

model.save('newModel')

---

最后的分类层应该有7个神经元。该层的激活应为softmax而不是sigmoid。从除第一层之外的所有层中删除输入_shape=（100100,3）。在含有142个神经元的致密层中，将激活改变为relu。对于测试类，请在\u目录中的flow\u中设置shuffle=False。您有少量的训练样本。我建议您在培训课程的ImageDataGenerator中使用图像增强。例如，设置水平翻转=真。关于添加增强的文档是

我没有与CNN打交道，但我不希望在152 s/38批次中有好的准确性。我怀疑你没有足够的训练数据。我想你需要数万个数据点。@Andrey，这有点帮助，但现在我想我有一个过度拟合的问题。。。。。。5ndG也许这是真的，我会最后一次更改数据集，因为一直以来，拥有

softmax

都是非常不寻常的，甚至到了疯狂的地步。另外，您的输出是一个二进制变量，它不适合您的目标。@dedObed谢谢您的帮助！我把大部分改成了relu，现在只有15%的准确率，