Python 为什么我在keras 3d CNN中的准确度总是0？

我对keras、cnn和deep learning都很陌生，所以如果解决方案很简单的话，我非常抱歉。我在这里真的走投无路了

所以-问题是，我有一个3D CNN，其中有50x50x50的立方体作为输入数据。我想把它们分为0或1，所以这是一个二进制分类问题。在将其装配到NN之前，我当然准备了数据，对其进行了重构、调整大小和规范化。因此，图像具有可比性（1个体素为2 mm），标准化为0到1的范围，大小相同

因此，当我试图将数据拟合到我的模型中时，结果并不那么令人鼓舞。精度总是显示为0，我在一个历元中获得的最高精度是

精度：0.0159

，损失总是在3.2到3.5之间

我也改变了纪元的数量，但我有5个纪元还是50个纪元并不重要。结果总是一样的

这是我的CNN架构的代码

    model = Sequential()
    model.add(Conv3D(64, kernel_size=(5, 5, 5), activation='linear',
                     kernel_initializer='glorot_uniform', input_shape=shape))
    model.add(BatchNormalization(center=True, scale=True))
    model.add(LeakyReLU(.1))
    model.add(Dropout(.25))
    model.add(Conv3D(128, kernel_size=(3, 3, 3), activation='linear',
                     kernel_initializer='glorot_uniform'))
    model.add(BatchNormalization(center=True, scale=True))
    model.add(LeakyReLU(.1))
    model.add(MaxPooling3D(pool_size=(3, 3, 3)))
    model.add(Dropout(.25))

    model.add(Conv3D(256, kernel_size=(3, 3, 3), activation='linear',
                     kernel_initializer='glorot_uniform'))
    model.add(BatchNormalization(center=True, scale=True))
    model.add(LeakyReLU(.1))
    model.add(Dropout(.25))
    model.add(Conv3D(512, kernel_size=(3, 3, 3), activation='linear',
                     kernel_initializer='glorot_uniform'))
    model.add(BatchNormalization(center=True, scale=True))
    model.add(LeakyReLU(.1))
    model.add(MaxPooling3D(pool_size=(3, 3, 3)))
    model.add(Dropout(.25))

    model.add(Flatten())
    model.add(Dense(256))
    model.add(BatchNormalization(center=True, scale=True))
    model.add(LeakyReLU(.1))
    model.add(Dropout(.5))
    model.add(Dense(512))
    model.add(BatchNormalization(center=True, scale=True))
    model.add(LeakyReLU(.1))
    model.add(Dropout(.5))
    model.add(Dense(256))
    model.add(BatchNormalization(center=True, scale=True))
    model.add(Activation('softmax'))

    model.compile(optimizer='adam',
                  loss='binary_crossentropy',
                  metrics=['accuracy'])
    
    print(training_patients[0])
    model.summary()
    model.fit(training_patients, training_labels, epochs=50, batch_size=50)

所以我想问，我的架构是否有问题？或者你认为问题更多的是在数据方面

我只有420张照片；其中3/4用于培训，1/4用于测试。这可能是问题所在吗？ 我想稍后在基本模型稳定运行时增强图像。还是我必须先这么做

---

提前非常感谢

这对于有两类的分类问题没有意义：

model.add(Dense(256))
model.add(BatchNormalization(center=True, scale=True))
model.add(Activation('softmax'))

将其更改为：

model.add(Dense(1))
model.add(Activation('sigmoid'))

---

也可以考虑使用Relu'激活而不是<代码> '''卷积层的线性'< /代码>。

你能打印出你的输入的形状吗？它像一个符咒！非常感谢。但我仍然不太明白到底是什么问题，以及为什么它现在起作用。你能解释一下为什么以前没有意义吗？毕竟，我不只是想要一个工作程序，我想从我的错误中学到一些东西。批处理规范是一个复杂的操作，在这里根本没有意义。此外，输出层上的神经元数量几乎总是你拥有的类别数量（除非你有两个类别，你可以放1，并使用二进制交叉熵和sigmoid激活）。谢谢你，我想我现在明白了！