用于二进制分类的 cnn 模型总是返回 1答案

【问题标题】：cnn model for binary classification always returning 1用于二进制分类的 cnn 模型总是返回 1
【发布时间】：2021-05-22 21:55:24
【问题描述】：

我创建了一个用于二进制分类的 CNN 模型。我使用了一个包含 300 张图像的平衡数据库。我知道这是一个小型数据库，但我使用了数据增强。拟合模型后，我在验证集上得到了 86% 的 val_accuracy，但是当我想打印每张图片的概率时，我得到第一类的大多数图片的概率 1，甚至所有概率都 > 0.5，所有概率都为 1第二课的图片。

这是我的模型：

model = keras.Sequential([
layers.InputLayer(input_shape=[128, 128, 3]),

preprocessing.Rescaling(scale=1/255),
preprocessing.RandomContrast(factor=0.10),
preprocessing.RandomFlip(mode='horizontal'),
preprocessing.RandomRotation(factor=0.10),

layers.BatchNormalization(renorm=True),
layers.Conv2D(filters=64, kernel_size=3, activation='relu', padding='same'),
layers.MaxPool2D(),

layers.BatchNormalization(renorm=True),
layers.Conv2D(filters=128, kernel_size=3, activation='relu', padding='same'),
layers.MaxPool2D(),

layers.BatchNormalization(renorm=True),
layers.Conv2D(filters=256, kernel_size=3, activation='relu', padding='same'),
layers.Conv2D(filters=256, kernel_size=3, activation='relu', padding='same'),
layers.MaxPool2D(),

layers.BatchNormalization(renorm=True),
layers.Flatten(),
layers.Dense(8, activation='relu'),
layers.Dense(1, activation='sigmoid'),])

编辑：

model.compile(
    optimizer=tf.keras.optimizers.Adam(),
    loss='binary_crossentropy',
    metrics=['binary_accuracy'],
)

history = model.fit(
    ds_train,
    validation_data=ds_valid,
    epochs=50,
)

谢谢。

【问题讨论】：

请说明你是如何编译和拟合模型的，使用了什么损失函数，你是如何得到预测的。这些细节对于人们了解已经完成的工作以及是否需要任何步骤缺失或更正非常重要。
@mon 完成了！我使用了 binary_crossentropy 和 binary_accuracy，因为它是一个二元分类问题

标签： python tensorflow keras computer-vision data-science

【解决方案1】：

像 vgg16 这样的预训练模型可以很好地完成所有工作，无需使模型变得非常复杂。所以试试下面的代码：

base_model = keras.applications.VGG16(
    weights='imagenet',  
    input_shape=(128, 128, 3),
    include_top=False)
base_model.trainable = True 
inputs = keras.Input(shape=(128, 128, 3))
x = base_model(inputs, training=False)
x = keras.layers.GlobalAveragePooling2D()(x)
outputs = keras.layers.Dense(1)(x)
model = keras.Model(inputs, outputs)

如果您希望模型快速训练，请将 base_model.trainable 设置为 False 并设置为 True 更准确的结果。请注意，我使用 GlobalAveragePooling2D 层而不是 Flatten 层来减少参数数量并取消堆叠特征。

【讨论】：