使用sigmoid激活与BinaryAccuracy始终获0准确率，模型形状不匹配

核心问题有两个：模型输出形状与标签不匹配导致准确率计算失效；loss为负说明训练逻辑存在异常。以下是具体修正方案：

1. 修正模型输入形状的定义错误 #

你的模型第一层是GRU，但input_shape参数却写在后面的Conv1D层中，这会导致Keras无法正确推断输入数据的形状，进而引发后续层的形状混乱。

修正：
将input_shape移到GRU层（模型的第一层），并移除Conv1D层的input_shape参数：

model.add(
    tf.keras.layers.GRU(
        gru_units,
        return_sequences=True,
        input_shape=(X_train_scaled.shape[1], X_train_scaled.shape[2])  # 移到这里
    )
)

model.add(
    tf.keras.layers.Conv1D(
        filters=conv_filters,
        kernel_size=conv_kernel_size,
        activation="relu"  # 移除input_shape
    )
)

2. 修正模型输出形状与标签不匹配的问题 #

你当前的模型结构中，GRU返回序列（return_sequences=True），后续Conv1D、MaxPooling1D都保留了序列维度，即使添加Flatten，也可能因为中间层的3D输出导致最终输出形状仍为3D（[72,14,1]），而标签是2D的[72,1]，这会导致BinaryAccuracy无法正确计算，直接输出0。

正确做法：
在序列层之后使用全局池化层（如GlobalMaxPool1D或GlobalAveragePool1D）压缩序列维度，将3D输出转为2D的样本级特征向量，确保最终输出与标签形状匹配：

model.add(tf.keras.layers.MaxPooling1D(pool_size=2))

if use_batch_norm:
    model.add(tf.keras.layers.BatchNormalization())

# 新增全局池化层，替换后续的Flatten
model.add(tf.keras.layers.GlobalMaxPool1D())

model.add(tf.keras.layers.Dense(dense_units))
model.add(tf.keras.layers.Dropout(dense_dropout))
# 移除原来的Flatten层
model.add(
    tf.keras.layers.Dense(
        units=1,
        activation="sigmoid",
    )
)

修改后，模型最终输出形状为[batch_size, 1]，与标签形状完全匹配。

3. 解决loss为负的异常问题 #

BinaryCrossentropy的loss值不可能为负，出现负数说明训练过程中存在数值异常：

• 确保标签是float类型：将y_train和y_val转换为float32：

  y_train = y_train.astype('float32')
  y_val = y_val.astype('float32')
  

• 调整学习率范围：你的lr上限是1e-2，部分超参数组合可能导致模型发散，可尝试将上限降至5e-3：

  lr = hp.Float("lr", min_value=1e-4, max_value=5e-3, sampling="LOG")
  

• 确认loss参数：因为最后一层用了sigmoid激活，BinaryCrossentropy默认from_logits=False是正确的，不要修改这个参数。

4. 验证模型形状 #

修改完成后，可以在模型编译前添加一行代码，打印模型的输出形状，确认与标签匹配：

print("模型输出形状:", model.output_shape)  # 应该输出 (None, 1)

修正后的完整模型代码 #

def search_model_gru_cnn(hp):
    # Hyperparameters
    lr = hp.Float("lr", min_value=1e-4, max_value=5e-3, sampling="LOG")
    dense_dropout = hp.Float("dense_dropout", min_value=0.0, max_value=0.5, step=0.05)
    use_batch_norm = hp.Boolean("use_batch_norm", default=False)

    conv_filters = hp.Int("conv_filters", min_value=32, max_value=128, step=16)
    conv_kernel_size = hp.Int("conv_kernel_size", min_value=3, max_value=7, step=2)

    gru_units = hp.Int("gru_units", min_value=32, max_value=256, step=8)

    dense_units = hp.Int("dense_units", min_value=16, max_value=128, step=4)

    model = tf.keras.models.Sequential()

    model.add(
        tf.keras.layers.GRU(
            gru_units,
            return_sequences=True,
            input_shape=(X_train_scaled.shape[1], X_train_scaled.shape[2])
        )
    )

    model.add(
        tf.keras.layers.Conv1D(
            filters=conv_filters,
            kernel_size=conv_kernel_size,
            activation="relu",
        )
    )
    model.add(tf.keras.layers.MaxPooling1D(pool_size=2))

    if use_batch_norm:
        model.add(tf.keras.layers.BatchNormalization())

    model.add(tf.keras.layers.GlobalMaxPool1D())

    model.add(tf.keras.layers.Dense(dense_units))

    model.add(tf.keras.layers.Dropout(dense_dropout))
    model.add(
        tf.keras.layers.Dense(
            units=1,
            activation="sigmoid",
        )
    )

    # Compile the model
    optimizer = tf.keras.optimizers.Adam(learning_rate=lr)
    model.compile(
        optimizer=optimizer,
        loss=tf.keras.losses.BinaryCrossentropy(),
        metrics=[
            tf.keras.metrics.BinaryAccuracy(
                name="binary_accuracy", dtype=None, threshold=0.5
            )
        ],
    )

    # 验证输出形状
    print("模型输出形状:", model.output_shape)
    return model

内容的提问来源于stack exchange，提问作者Furkan Öztürk