Tensorflow 二元分类训练不正确

我一直在研究一种神经网络，它可以对两组天文数据进行分类。我相信我的神经网络正在挣扎，因为这两组数据非常相似，但即使数据发生了重大变化，它的精度历史似乎仍与我认为的不一样

以下是来自每个数据集的示例图像：

我目前正在使用每种类型的10000张图像，其中20%用于验证数据，因此有16000张培训图像和4000张验证图像。由于内存限制，我无法增加更多的数据集

这是我目前的型号：

model.add(layers.Conv2D(64, (3, 3), padding="valid", activation='relu', input_shape=(192, 192, 1)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(128, (7, 7), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(128, (9, 9), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(128, (7, 7), activation='relu'))
model.add(layers.Flatten())
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(2, activation="sigmoid"))

我正在用它编译：

opt = SGD(lr=0.1)
model.compile(optimizer=opt,
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

以及使用以下装置进行安装：

history = model.fit(train, train_labels, batch_size=200, epochs=15, validation_data=(validation, validation_labels))

如果我向数据中添加了一些东西，使数据集变得不现实（例如，在数据的中间添加一个随机矩形，或者在其中一个数据集上添加一个掩码，但在另一个数据集上不添加掩码），我会得到一个精度历史，如下所示：

model.add(layers.Dense(1)) # no activation, linear.

（请注意，训练数据的精度历史记录向左移动了半个历元，以说明在验证精度之前的半个历元平均测量的训练精度。）

如果我使数据集非常相似（例如，不向数据集添加任何内容或对两个数据集应用相同的掩码），我将获得如下所示的精度历史：

model.add(layers.Dense(1)) # no activation, linear.

或者偶尔在一个历元的验证精度上出现一个大的峰值，比如：

查看不同的网站和其他StackOverflow页面，我尝试了：

• 更改过滤器的数量和大小
• 加或减卷积层
• 更改优化器功能（它最初是“adam”，因此它具有自适应学习速率，我将其切换到上面的状态，以便手动调整学习速率）
• 增加批量大小
• 增加数据集（最初每个数据集只有5000张图像，而不是10000张）
• 增加纪元的数量（从10个增加到15个）
• 从卷积层中添加或减去填充
• 更改最后一层中的激活功能

---

我错过什么了吗？这些数据集是否过于相似，无法实现二进制分类网络？

如果这是二进制分类，则需要更改：

model.add(layers.Dense(2, activation="sigmoid"))

进入：

Sigmoid表示，如果输出大于某个阈值（大多数情况下为0.5），则它属于第二类等。此外，由于您在最后一个密集层中指定了激活，因此确实不需要使用

from_logits=True

请记住，您的损失还应包括：

tf.keras.losses.BinaryCrossentropy(from_logits = False)

如果要从_logits=True设置

，则最后一个密集层应如下所示：

model.add(layers.Dense(1)) # no activation, linear.


您也可以在最后一个密集层中使用2个神经元，但随后您需要使用
softmax
激活并进行分类丢失。
谢谢您的回复！我把最后的图层改成了
图层。密集（1）
。我尝试使用
from_logits=False
和一个sigmoid激活函数运行它，然后再次使用
from_logits=True
和无激活函数运行它，但两者都返回了类似的验证精度，由于各个时期的验证准确率都保持在50%，而且训练准确率在100%和50%之间跳跃0.1 LR太高了，我会先尝试降低它。然后随着图像尺寸的减小，增加CNN中过滤器的大小和数量。像
Conv2D（32，（3,3））。。Conv2D（64，（3,3）
等等。谢谢！！这看起来好多了。最后一个问题让我明白了发生了什么：在确定为100%准确度之前，验证准确度仍然在50%和100%准确度之间跳跃。我认为这是正常的吗？我希望准确度会缓慢提高，而不是像我们在这里看到的那样上下交错的增加。也许可以试试adam optimiz呃，在学习率较低的情况下，我认为会出现较少的振荡。我认为这不正常，实际上可能与您的数据有关。根据我的建议，模型应该不会有任何问题。如果答案有用，如果您能接受，我会很高兴。