我的毕业项目是使用迁移学习在CNN模型上进行COVID-19的诊断，通过胸部X光图像。经过几天使用Keras调谐器库和贝叶斯优化器对超参数进行微调，例如全连接层的数量、层中的节点数量、学习率和丢弃率，我得到了非常好的结果，多类别分类测试准确率为98%，二元分类为99%。然而，我冻结了原始基础模型的所有层。我只在经过详尽的超参数优化后微调了最后的全连接层。大多数文章和论文都表示他们不仅微调了全连接层，还微调了一些卷积层。我做错了什么吗？我担心这太好了，不可能是真的。

我的数据集不是很大，只有从Kaggle的COVID-19竞赛中获取的7000张图像。

我在训练和分类之前对图像使用了图像增强技术，如N-CLAHE，这显著提高了准确率，相较于不增强图像的情况。

我对多个最先进的模型做了同样的处理，例如VGG-16和ResNet50，它们都给了我极好的结果。

回答：

如果你指的是“只微调了最后的全连接层”，那么没有，你没有做错。

你可以选择微调任何你选择的层，但最重要的是模型的最后几层，这就是你所做的，所以你可以继续进行下去。