我想对包含五个类别的图像进行分类。我想使用CNN。但是当我尝试使用几个模型时，训练准确率不会超过20%。请有人帮我解决这个问题。大多数模型会在3个周期内完成训练，当周期增加时，准确率没有提高。谁能建议我一个解决方案或模型，或者能指出可能的问题是什么？
以下是我使用的一个模型
#defining training and test setsx_train,x_val,y_train,y_val=train_test_split(x,y,test_size=0.2, random_state=42)print('Training data and target sizes: \n{}, {}'.format(x_train.shape,y_train.shape))print('Test data and target sizes: \n{}, {}'.format(x_val.shape,y_val.shape))训练数据和目标大小:(2398, 224, 224, 3), (2398,)测试数据和目标大小:(600, 224, 224, 3), (600,)
img_rows, img_cols, img_channel = 224, 224, 3base_model = applications.inception_v3.InceptionV3(include_top=False, weights='imagenet',pooling='avg', input_shape=(img_rows, img_cols, img_channel))print(base_model.summary())#Adding custom Layersadd_model = Sequential()add_model.add(Dense(1024, activation='relu',input_shape=base_model.output_shape[1:]))add_model.add(Dropout(0.60))add_model.add(Dense(1, activation='sigmoid'))print(add_model.summary())# creating the final modelmodel = Model(inputs=base_model.input, outputs=add_model(base_model.output))# compile the modelopt = optimizers.Adam(lr=0.001, beta_1=0.9, beta_2=0.999, epsilon=1e-08, decay=0.0)reduce_lr = ReduceLROnPlateau(monitor='val_acc', patience=5, verbose=1, factor=0.1, cooldown=10, min_lr=0.00001) model.compile( loss='categorical_crossentropy', metrics=['acc'], optimizer='adam' )print(model.summary())n_fold = 5kf = model_selection.KFold(n_splits = n_fold, shuffle = True)eval_fun = metrics.roc_auc_score model.fit(x_train,y_train,epochs=50,batch_size=50,validation_data=(x_val,y_val))回答：
可以吗，你能分享一下你拟合模型的代码部分吗？帖子中没有提供这些信息。
由于缺乏数据，输出无法重现，我建议你查看这个链接 https://www.kaggle.com/kenconstable/alzheimer-s-multi-class-classification
这个链接解释得很好，并且提供了基于迁移学习以及从头开始的多类分类的最佳实践。如果你觉得这个链接没有帮助，分享包括模型拟合（model.fit()）代码的训练脚本会很有帮助。
好的，这就是问题所在，在你的代码中，你可能创建了一个基于Inception V3的基础模型，但是你并没有真正将这个基础模型添加到你的 add_model 变量中。
你的 add_model 变量本质上是一个密集网络，而不是CNN。另外，虽然这不是什么大事，你创建了自己的优化器 opt，但在 model.compile 中并没有使用它。
你能试试这个代码吗，然后告诉我它是否有效：
# function to build the modeldef build_transfer_model(conv_base,dropout,dense_node,learn_rate,metric): """ Build and compile a transfer learning model Input: a base model, dropout rate, the number of filters in the dense node, the learning rate and performance metrics Output: A compiled CNN model """ # clear previous run backend.clear_session() # build the model model = Sequential() model.add(conv_base) model.add(Dropout(dropout)) model.add(BatchNormalization()) model.add(Flatten()) model.add(Dense(dense_node,activation='relu')) model.add(Dense(1,activation='sigmoid')) # complile the model model.compile( optimizer = tensorflow.keras.optimizers.Adam(lr=learn_rate), loss = 'categorical_crossentropy', metrics = metric ) model.summary() return modelimg_rows, img_cols, img_channel = 224, 224, 3base_model = applications.inception_v3.InceptionV3(include_top=False, weights='imagenet',pooling='avg', input_shape=(img_rows, img_cols, img_channel))model = build_transfer_model(conv_base=base_model,dropout=0.6,dense_node =1024,learn_rate=0.001,metric=['acc'])print(model.summary())model.fit(x_train,y_train,epochs=50,batch_size=50,validation_data=(x_val,y_val))如果你注意这个函数，我们添加到 Sequential() 实例的第一件事是基础层（在你的案例中是InceptionV3）。但你直接添加了一个密集层。虽然它可能会从基础Inception V3的输出层获取权重，但它将是一个密集网络，而不是CNN。所以请检查一下这一点。
我可能更改了一些变量名，尽管我尽量不这样做。请根据你的需求更改 build_transfer_model 函数中层的顺序。
如果它不起作用，请告诉我。谢谢。
