我用Tensorflow编写了一个人脸分类程序。在这个项目中，起初我只有两张脸，所以我使用了binary_crossentropy作为损失函数。当我决定添加更多人脸时，我从binary_crossentropy切换到了categorical_crossentropy。

我的代码:

以下是我的训练日志:

Epoch 1/201728/1728 [==============================] - 30s 13ms/step - loss: 0.0000e+00 - accuracy: 0.4833 - val_loss: 0.0000e+00 - val_accuracy: 0.4826Epoch 2/201728/1728 [==============================] - 22s 13ms/step - loss: 0.0000e+00 - accuracy: 0.4847 - val_loss: 0.0000e+00 - val_accuracy: 0.4826Epoch 3/201728/1728 [==============================] - 22s 13ms/step - loss: 0.0000e+00 - accuracy: 0.4827 - val_loss: 0.0000e+00 - val_accuracy: 0.4826

如你所见，我的val_loss和val_accuracy没有变化。我的代码有什么问题？我该如何修复？

回答：

如果提供了更多关于数据的信息，回答会更准确。

首先，你使用了分类交叉熵作为损失函数，同时最后层的激活函数使用了Sigmoid，这两者是矛盾的（Sigmoid意味着你在进行两类分类，而分类交叉熵是用于多类分类的情况）。要么将损失函数改为二元交叉熵，如果你想使用Sigmoid（这意味着你有两类），要么将Sigmoid改为Softmax函数，如果你想对多于两类进行分类。

此外，你需要在最后一个CNN层之后和第一个全连接层之前使用Flatten（它将特征图（一个矩阵）转换为一个向量，这是全连接层正确的输入形状）。

最后，完成上述修改后，你可以尝试调整你的超参数（学习率、批量大小等），看看是否能提高一些准确率。