我在Keras中使用改编的LeNet模型进行二元分类。我有大约250,000个训练样本，比例为60/40。我的模型训练得非常好。第一个epoch的准确率就达到了97%，损失为0.07。经过10个epoch后，准确率超过了99%，损失为0.01。我使用了CheckPointer来保存模型改进时的状态。

大约在第11个epoch时，准确率下降到了约55%，损失约为6。这怎么可能呢？是因为模型无法更准确，并且在尝试寻找更好的权重时完全失败了吗？

我的模型是对LeNet模型的改编：

lenet_model = models.Sequential()lenet_model.add(Convolution2D(filters=filt_size, kernel_size=(kern_size, kern_size), padding='valid',\                        input_shape=input_shape))lenet_model.add(Activation('relu'))lenet_model.add(BatchNormalization())lenet_model.add(MaxPooling2D(pool_size=(maxpool_size, maxpool_size)))lenet_model.add(Convolution2D(filters=64, kernel_size=(kern_size, kern_size), padding='valid'))lenet_model.add(Activation('relu'))lenet_model.add(BatchNormalization())lenet_model.add(MaxPooling2D(pool_size=(maxpool_size, maxpool_size)))lenet_model.add(Convolution2D(filters=128, kernel_size=(kern_size, kern_size), padding='valid'))lenet_model.add(Activation('relu'))lenet_model.add(BatchNormalization())lenet_model.add(MaxPooling2D(pool_size=(maxpool_size, maxpool_size)))lenet_model.add(Flatten())lenet_model.add(Dense(1024, kernel_initializer='uniform'))lenet_model.add(Activation('relu'))lenet_model.add(Dense(512, kernel_initializer='uniform'))lenet_model.add(Activation('relu'))lenet_model.add(Dropout(0.2))lenet_model.add(Dense(n_classes, kernel_initializer='uniform'))lenet_model.add(Activation('softmax'))lenet_model.compile(loss='binary_crossentropy', optimizer=Adam(), metrics=['accuracy'])

回答：

问题出在使用了binary_crossentropy损失函数，而在这种情况下应该使用categorical_crossentropy。另一种方法是保留binary_crossentropy损失函数，但将输出维度改为dim=1，并将激活函数改为sigmoid。这种奇怪的行为是因为使用binary_crossentropy时，实际上解决的是多类二元分类（有两个类别），而你的任务是单类二元分类。