我正在一堆我自己的图像数据上运行卷积神经网络（this one），其形状（通道数，高度，宽度）=（3，30，30）。我有76960个培训样本，19240个测试样本，并且有39个课程。最后几段代码是：
# Train the model using Stochastic grad descent + momentum
sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
cnn.compile(loss='categorical_crossentropy',
optimizer=sgd,
metrics=['accuracy'])
batch_size = 128
nb_epoch = 50
cnn.fit(x_train, y_train,
batch_size = batch_size,
nb_epoch = nb_epoch,
validation_data=(x_test, y_test),
shuffle=True)
训练损失和准确性会随着时间的变化而变化，但是验证准确性仅从第一个到第二个时间变化（从0.3387到0.3357），然后一直保持在0.3357。
我试过改变批处理大小（32、128或256），learning rate（从1e-6到0.1，一路乘以10），并尝试使用或不使用data normalization（基本均值移位和除法）由sd）。这些都不起作用。
最佳答案
碰巧的是，准确率（33.5％）与属于优势类的示例所占的百分比相同（您说的是“大约34％”，几乎可以肯定是33.5％），这并非巧合。
问题在于您没有规范化图像数据。如果像素值介于1到255之间，则每次预测同一类时，模型将永远陷于困境。为了确认这种情况的发生，请使用model.predict(x_train)并查看模型的预测结果。我敢打赌，它是完全统一的，并且始终是构成您数据34％的类。
要解决此问题，只需规范化数据-在开始训练模型之前，将x_train除以255。
x_train = x_train/255.0
关于python - Keras卷积神经网络验证精度不变，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/39160772/