基于深度学习的分子设计CNN模型SMILES输入准确率为0求助

本项目为基于深度学习技术的分子设计学术项目，采用SMILES作为输入的CNN模型，已完成输入编码，但训练后准确率始终为0，特此求助解决方法。

模型代码 #

from keras.models import Sequential
from keras.layers import Conv1D, MaxPooling1D, Flatten, Dense,Dropout,Activation
import keras

print("TensorFlow version:", tf.__version__)
print("Keras version:", keras.__version__)

# 创建Sequential模型
model = Sequential()

# 添加1D卷积层，29个过滤器，核大小3，ReLU激活
model.add(Conv1D(filters=29, kernel_size=3, activation='relu', input_shape=(29, 1)))

# 添加最大池化层，池化大小1
model.add(MaxPooling1D(pool_size=1))

# 添加全连接层，64个单元，线性激活
model.add(Dense(units=64, activation='linear'))

# 输出层
model.add(Dense(1))
model.add(Activation('linear'))

# 编译模型
model.compile(loss='mape', optimizer='Adam', metrics=['accuracy',percentage_difference])

# 训练模型
model.fit(X_train, y_train, batch_size = 128, epochs=5, validation_data=(X_val, y_val))

训练结果 #

TensorFlow version: 2.11.0
Keras version: 2.11.0
Epoch 1/5
10501/10501 [==============================] - 72s 7ms/step - loss: 100.3061 - accuracy: 0.0000e+00 - percentage_difference: 100.3061 - val_loss: 100.0071 - val_accuracy: 0.0000e+00 - val_percentage_difference: 100.0071
Epoch 2/5
10501/10501 [==============================] - 85s 8ms/step - loss: 99.9942 - accuracy: 0.0000e+00 - percentage_difference: 99.9941 - val_loss: 100.4263 - val_accuracy: 0.0000e+00 - val_percentage_difference: 100.4262
Epoch 3/5
10501/10501 [==============================] - 80s 8ms/step - loss: 99.9968 - accuracy: 0.0000e+00 - percentage_difference: 99.9968 - val_loss: 100.1386 - val_accuracy: 0.0000e+00 - val_percentage_difference: 100.1386
Epoch 4/5
10501/10501 [==============================] - 76s 7ms/step - loss: 100.0059 - accuracy: 0.0000e+00 - percentage_difference: 100.0059 - val_loss: 99.9903 - val_accuracy: 0.0000e+00 - val_percentage_difference: 99.9903
Epoch 5/5
10501/10501 [==============================] - 71s 7ms/step - loss: 100.0111 - accuracy: 0.0000e+00 - percentage_difference: 100.0111 - val_loss: 100.0600 - val_accuracy: 0.0000e+00 - val_percentage_difference: 100.0599

问题分析与解决建议 #

• 任务与指标不匹配：你用了分类任务的accuracy指标，但输出层是线性激活、损失函数为mape，说明这是回归任务。回归任务中模型输出是连续值，无法用准确率衡量，因此准确率始终为0是正常现象。建议将指标替换为回归任务适用的mse、mae，移除accuracy。
• 池化层无效：MaxPooling1D(pool_size=1)不会改变特征维度，相当于没有池化。建议调整为pool_size=2，真正实现降维提取关键特征。
• 模型结构缺失：卷积层输出是三维张量，直接接入全连接层会导致维度不兼容，必须添加model.add(Flatten())将卷积输出展平为一维后，再输入到Dense层。同时全连接层用linear激活缺少非线性表达能力，建议换成relu。
• 损失函数优化：mape在目标值接近0时会出现数值不稳定，可考虑改用mse（均方误差）或mae（平均绝对误差）作为损失函数，更适配多数回归场景。
• 输入编码与数据归一化：确认SMILES的编码是否正确（如one-hot编码、长度统一为29）；回归任务必须对输入和标签数据做归一化/标准化处理，避免数值范围差异导致模型难以收敛。

内容的提问来源于stack exchange，提问作者Abir b