Tensorflow Keras CNN模型中的训练和损失不变

我正在运行一个CNN的左右鞋印分类。我有190000张训练图像，其中10%用于验证。我的模型设置如下所示。我得到所有图像的路径，读入它们并调整它们的大小。我规范化了图像，然后将其适配到模型中。我的问题是，我的训练准确率一直停留在62.5%左右，损失大约0.6615-0.6619。我做错什么了吗？我怎样才能阻止这种事情发生

请注意以下几点：

我首先在10张图片上测试了这一点，我遇到了同样的问题，但将优化器更改为adam，将批处理大小更改为4起作用

然后，我对越来越多的图像进行了测试，但每次我都需要改变批量大小，以提高准确性和损失。对于10000张图片，我必须使用500的批量大小和优化器rmsprop。然而，准确度和损失只是在第10纪元之后才真正开始改变

我现在正在训练190000张图片，我不能增加批量大小，因为我的GPU是最大的

imageWidth=50
图像高度=150
def get_文件路径（目录）：
文件路径=[]
对于文件中的文件名：
filepath=os.path.join（根目录，文件名）
文件路径。追加（文件路径）#将其添加到列表中。
返回文件路径
def清除路径（完整文件路径）：
cleanPaths=[]
对于fullfilepath中的f：
如果f.endswith（“.png”）：
cleanPaths.append（f）
返回路径
def getTrainData（路径）：
列车数据=[]
对于X范围内的i（1190000,2）：
im=image.imread（路径[i]）
im=image.imresize（im，（150,50））
im=（im-255）/浮动（255）
列车数据附加（im）
列车数据=np.asarray（列车数据）
右=np.零（47500）
左=np.一（47500）
列车标签=np.连接（（左、右））
trainLabels=np_utils.to_Category（列车标签）
返回（列车数据、列车标签）
#创建convnet
模型=顺序（）
model.add（Conv2D（32，（3，3），activation='relu'，input_uShape=（imageWidth，imageHeight，1），Strates=1））\32
添加（Conv2D（32，（3,3），activation='relu'））
add（MaxPooling2D（池大小=（2,2）））
模型。添加（辍学率（0.25））
添加（Conv2D（64，（3，3），activation='relu'，strips=1））
添加（Conv2D（64，（3,3），activation='relu'））
add（MaxPooling2D（池大小=（2,2）））
模型。添加（辍学率（0.25））
添加（Conv2D（64，（3,3），activation='relu'））
add（MaxPooling2D（池大小=（1,3）））
模型。添加（辍学率（0.25））
model.add（Conv2D（64，（1,2），activation='relu'））
add（MaxPooling2D（池大小=（2,1）））
模型。添加（辍学率（0.25））
model.add（展平（））
model.add（密集（256，activation='relu'））
模型。添加（辍学率（0.5））
model.add（密集（2，activation='softmax'））
新加坡元=新加坡元（lr=0.01）
compile（loss='classifical_crossentropy'，optimizer='rmsprop'，metrics=['accurity']）
#准备培训数据*/
列车路径=获取文件路径（“更好1/列车”）
列车路径=清洁道路（列车路径）
（列车数据，列车标签）=获取列车数据（列车路径）
trainData=np.重塑（trainData，（95000，imageWidth，imageHeight，1））.aType（'float32'））
列车数据=（列车数据-255）/浮动（255）
#训练convnet***
模型拟合（列车数据、列车标签、批次尺寸=500、历元=50、验证分割=0.2）
#/保存模型和权重*/
model.save（'myConvnet_model5.h5'）；
模型。保存权重（“myConvnet\u权重5.h5”）；

我会尝试几种方法。较低的学习率应有助于获得更多的数据。通常，调整优化器会有所帮助。此外，您的网络看起来非常小，您可能希望通过添加层或增加层中过滤器的数量来增加模型的容量

---

关于如何在实践中应用深度学习，本文给出了一个更好的描述。

我已经多次遇到过这个问题，因此我想对它做一个简要的回顾，以及可能的解决方案等，以帮助未来的人们

问题：模型预测它所看到的所有数据的2个（或更多）可能类别中的一个*

正在发生确认问题：方法1：训练时模型的准确度保持在0.5左右（或1/n，其中n为班级数量）。方法2：获取预测中每个类的计数，并确认它预测了所有一个类

修复/检查（以某种顺序）：

• 仔细检查模型架构：使用

  Model.summary（）

  ，检查模型
• 检查数据标签：确保列车数据的标签在预处理等过程中没有混淆（这种情况经常发生！）
• 检查列车数据馈送是否随机：确保您没有一次将列车数据馈送到模型一类。例如，如果使用

  ImageDataGenerator（）.flow\u from\u directory（PATH）

  ，请检查param

  shuffle=True

  ，并且

  batch\u size

  大于1
• 检查预训练层是否不可训练：**如果使用预训练模型，请确保使用预训练权重的任何层最初都不可训练。对于第一个时代，只有新添加的（随机初始化的）层才可以训练<代码>用于预训练_模型中的层。层：layer.trainable=False应该在代码中的某个位置
• 降低学习率：继续将学习率降低10倍，然后重试。注意：每次尝试新的学习速率时，您必须完全重新初始化您尝试训练的层。（例如，我有一个问题，只有当我深入到

  lr=1e-6

  时才得到解决，所以请继续！）

如果你们中有人