Tensorflow keras中三维层的精度误解

我正在使用keras和TF2对具有二进制变量的3D数据进行培训。因此X Y Z表示体素矩阵上的位置，通道表示二进制变量。
我使用二进制交叉熵作为损失，使用sigmoid作为最后一层的激活：

        Conv3DTranspose(
            20, kernel_size=2, strides=2, padding="same", activation="sigmoid" ,  
        ),
    ],
)

my_model.compile(loss ="binary_crossentropy", optimizer="adam", metrics=[tf.keras.metrics.BinaryAccuracy()]) 

虽然只使用一个样本进行训练以过度拟合模型，但在损失仍在下降的情况下，我得到的精度为1。如果在此阶段停止训练，则生成的体素和二进制变量与训练数据不匹配。然而，如果我让它训练更长的时间，损失会继续减少，并且在某一点上，我的模型会完美地拟合我的数据

我也尝试了正常的精度，但它显示非常低的精度，即使我的模型过拟合完美

此外，我还尝试将二进制变量编码更改为on_hot_编码。它基本上增加了一个通道，当我所有的初始变量都为false时，这个新通道为True。使用这种编码，模型的训练几乎相同，但这一次的准确性似乎是正确的