Python 在使用Keras的卷积神经网络中，始终使用相同的二元类预测的原因和可能的解决方案是什么？

我想解决一个签名识别问题。Im使用GPDS数据库，我合并了真伪签名的所有组合，得到了400万输入的200x200像素图像

我用Keras创建了一个基本的CNN，由于硬件的限制，我只使用了大约5000个输入和最多10个训练时段。我的问题是，当我开始训练模型（model.fit命令）时，我的准确度在50%左右变化，这是数据集的平衡，而当历元结束时，准确度正好是50%。当我在训练后尝试预测一些结果时，预测结果都是一样的（例如，所有的1表示真正的签名）

不确定是否存在以下问题：

• 局部极小值
• 由于问题的复杂性，数据集很小
• 权重、学习率、动量的初始化值错误
• 训练不足
• 网络解决这个问题相当简单

我是神经网络新手，所以这可能只是个基本问题，不管怎样，有人能帮我吗

代码如下：

model = Sequential()
model.add(Conv2D(100, (5, 5), input_shape=(1, 200, 200), activation='relu', data_format='channels_first'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.2))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer=’adam’, metrics=['accuracy'])
model.fit(x = x, y = y, batch_size = 100, shuffle = True, epochs=10)

---

对于神经网络来说，一个很好的调试技术是看你是否能过拟合两个训练批次的例子。我建议你这样做，看看会发生什么。如果没有达到0训练损失，那么这个模型对于这个问题来说太简单了。

在

sigmoid

之前，您使用的是

relu

激活（max（0，x）），我猜（取决于层的初始化方式）您正在使sigmoid饱和

---

饱和乙状结肠会导致零梯度，因此没有学习。

模型可能太简单，尝试添加一些额外的卷积层。Lucas，你能有一个验证集，并绘制训练集和验证集的损失图，以确认模型是“学习”的吗？得到了同样的问题，谢谢。这个问题（即

relu

使

sigmoid

饱和）是否仅适用于二进制分类？或者对于所有类型的任务？饱和可以发生在网络中任何“饱和”层的任何位置。阅读它可能会对你有所帮助。