我正在训练一个具有 2 个卷积层、2 个 Relu 和最大池化以及 2 个 FC 层的 CNN，其中最后一个只有 2 个单元，因为它是一个二进制分类问题。这些图像是时空连续的，基本上是大气流函数的图像，在 MATLAB 中作为等值线图从 PDE 求解器生成的数据中获得。因此，仅通过查看各自的图像很难理解两个标签之间的区别。标签是通过一些统计算法生成的，这些算法对像素的强度或简单地制作等高线图的矩阵的值进行操作。在训练 CNN 时，我看到在 0.001 的学习率下，损失在前 200 个 epoch 下降到 0.6 时一直逐渐且单调地下降（不是突然，而是逐渐地，斜率随着值的下降而减小）并在接下来的 500 个时期内稳定下来。但是，训练准确率在 50% 左右波动，我的测试准确率也是 50%。此外，当我查看错误的 +ve 和 -ves 时，我看到 CNN 一直有一个标签是正确的，而另一个标签一直是错误的。我使用了 0.5 的 dropout 和 L2 正则化。我正在使用 TensorFlow 进行所有编程。TRUE 和 FALSE 标签之间的训练集不存在不平衡。我有 4500 个正确的例子和 4500 个错误的例子。因为我使用的是 RGB 图像，所以我随机打乱了训练集并用 255 对其进行了归一化。对 200 个 TRUE 示例和 200 个 False 示例进行测试。两层的内核大小都是 5x5，第一个有 32 个，第二个有 64 个过滤器，FC 层有 1024 个神经元。我玩过这些参数，没有真正的改进。任何建议将不胜感激。