我创建了一个代码来训练我的CNN，它将判断一张图片属于哪一个类别（”pdr或nonPdr”）
这是我的Keras模型：
model = Sequential()model.add(Conv2D(input_shape=(605,700,3), filters=64, kernel_size=(3,3), padding="same",activation="tanh"))model.add(MaxPooling2D((2, 2)))model.add(Flatten())model.add(Dense(32, activation='tanh', input_dim=100))model.add(Dense(1, activation='sigmoid'))model.compile(optimizer='rmsprop', loss='binary_crossentropy', metrics=['accuracy'])data, labels = ReadImages(TRAIN_DIR)model.fit(np.array(data), np.array(labels), epochs=10, batch_size=16)model.save('model.h5')这是我的测试预测文件：
model = load_model('model.h5')model.compile(optimizer='rmsprop', loss='binary_crossentropy', metrics=['accuracy'])test_image = cv2.imread("test_data/im0203.ppm") test_image = test_image.reshape(1,605,700,3).astype('float')test_image = np.array(test_image)test_image2 = cv2.imread("test_data/im0001.ppm") test_image2 = test_image2.reshape(1,605,700,3).astype('float')#predict the resultprint(model.predict(test_image))print(model.predict(test_image2))运行下面的代码后，我得到了两张图片（一张是pdr，另一张是nonPdr）的相同值
[[0.033681]][[0.033681]]我该如何修复并改进我的CNN。感谢您的帮助。
更新我尝试删除了一个Dense层，并将最后一层更改为(2, activation=’sigmoid’)，但这也不起作用..我真的不知道该怎么办**
回答：
这可能是由多种原因引起的。最可能的原因包括：
-
网络输入和预测时输入的图片可能没有经过相同的预处理步骤。
-
模型过拟合，当它遇到稍微不同的预测图片时，它倾向于基于其训练数据来偏向其决策。
-
模型效果不好
为了避免此类问题，可能的未来解决方案包括：1. 在训练和测试时仅输入标准化或缩放后的图像。
- 不要使用过多的Dense层（特别是对于图像分类），因为Dense层擅长学习空间信息，而要正确分类图像，模型需要以二维矩阵而不是一维空间矩阵的形式查看图像（因为Dense层会将二维矩阵展平为一维矩阵）。
即使你想使用Dense层，我建议仅在最后一层使用Dense层，用于最终的类别数量。一个更好的架构可能是
[ Conv后面跟几个过渡块和瓶颈层 ] x 2flattenDense(number_of_classes)
