我正在尝试对图像进行分类并为它们分配标签 1 或 0。（皮肤癌与否）。
我知道关于在每个输入中具有相同输出的三个主要问题。
我没有拆分集合，我只是尝试将 CNN 应用到火车集合上，我知道这没有意义，但这只是为了验证它是如何工作的。（对未标记数据的预测给出完全相同的概率）
我已经验证了三个要点：
1：缩放日期（图像大小和像素强度值） 2：采用低学习率 3：由于计算时间，我最多只尝试了小 epoch 6，是否值得让它运行一天只是为了看到更多时期的结果？
无论如何，我无法理解糟糕的训练如何导致网络每次都给出相同的类别概率？
我尝试了批处理选项等。没有任何改变。
准确度非常低，因为这种分类并不真正适合 CNN，但这不应该解释奇怪的结果。
这是我的输出：
以下是程序的不同部分： 模型：
调整大小：
感谢您的帮助，并对丑陋的屏幕截图感到抱歉。
当所有预测都给出完全相同的值时，您就知道您的模型没有学习，因此出了点问题！
在您的情况下，问题是具有softmax和sigmoid激活的最后一个密集层。
model.add(keras.layers.Dense(1, activation=tf.nn.softmax))
model.add(keras.layers.Activation('sigmoid'))
这会产生冲突，其中 softmax 输出1（因为只有一个节点），而 sigmoid 采用此1并计算其 sigmoid 值给出：
1/(1+exp(- 1 )) = 0.731058
还有我们的朋友！
为了解决这个问题，您只需要删除最后一个激活层，并更改 sigmoid 的 softmax，因为您的输出是二进制的：
model = keras.Sequential()
model.add(keras.layers.Conv2D(16, [3,3], activation='relu', padding='same'))
model.add(keras.layers.Conv2D(32, [3,3], activation='relu', padding='same'))
model.add(keras.layers.Conv2D(64, [3,3], activation='relu', padding='same'))
model.add(keras.layers.BatchNormalization())
model.add(keras.layers.Dropout(0.15))
model.add(keras.layers.Activation('relu'))
model.add(keras.layers.Flatten())
model.add(keras.layers.Dense(50))
model.add(keras.layers.Dense(1, activation=tf.nn.sigmoid))
#model.add(keras.layers.Activation('sigmoid'))
这应该工作！
也可能是这个问题很难学习。我已经有了这个，实际上在每批 6 小时的相同输出之后（发生这种情况是因为“平均”答案最容易将损失最小化），网络终于开始学习：
我计划做一些事情来让学习更早发生：