TensorFlow半圆图像角度回归模型预测失效，求优化方案

一、模型架构优化方案 #

• 改用卷积神经网络（CNN）：全连接网络难以捕捉图像的空间特征，换成CNN才能精准识别半圆平边的角度信息。建议搭建基础卷积结构：

  model = tf.keras.Sequential([
      tf.keras.layers.Conv2D(32, (3,3), activation='relu', input_shape=(img_h, img_w, 1)),
      tf.keras.layers.MaxPooling2D((2,2)),
      tf.keras.layers.Conv2D(64, (3,3), activation='relu'),
      tf.keras.layers.MaxPooling2D((2,2)),
      tf.keras.layers.Conv2D(128, (3,3), activation='relu'),
      tf.keras.layers.Flatten(),
      tf.keras.layers.Dense(64, activation='relu'),
      tf.keras.layers.Dense(1)  # 回归任务，无激活函数
  ])
  

• 修正损失函数与输出层：这是回归任务（预测连续角度值），必须使用回归类损失，比如MeanSquaredError()或MeanAbsoluteError()，输出层不要加激活函数（保持线性输出），避免角度范围被错误限制。
• 加入正则化机制：在Dense或Conv2D层添加kernel_regularizer=tf.keras.regularizers.l2(0.001)，或者在全连接层后加Dropout(0.2)，防止模型过拟合训练数据，提升泛化能力。
• 调整学习率：如果训练误差很快停滞在高位，大概率是学习率过大导致模型震荡。可以把初始学习率设为1e-4，或者添加学习率调度回调：

  lr_scheduler = tf.keras.callbacks.ReduceLROnPlateau(monitor='val_loss', factor=0.5, patience=3)
  

二、布尔类型像素输入的处理 #

布尔像素值本身是0/1，已经处于[0,1]的合理范围，不需要额外归一化。注意两点即可：

• 确保输入是单通道灰度图格式，输入形状为(img_height, img_width, 1)，批量输入时为(batch_size, img_height, img_width, 1)；
• TensorFlow会自动将布尔类型转为浮点型0.0/1.0，直接输入模型即可，无需手动转换。

额外优化建议 #

• 数据增强：仅1000张样本量偏小，可添加随机小角度旋转、平移、缩放等数据增强操作，用tf.keras.layers.RandomRotation、RandomTranslation等层嵌入模型，提升数据多样性；
• 标签归一化：将角度值除以360归一化到[0,1]区间，训练完成后再乘以360还原真实角度，有助于模型更快收敛。

内容的提问来源于stack exchange，提问作者Don Kirkby