Keras构建的二分类图像神经网络仅输出0的问题求助

• 优先扩大验证集规模：当前验证集仅8张图像，样本量过小会导致验证指标波动剧烈，EarlyStopping无法准确识别模型收敛或过拟合状态。如果数据集总量有限，建议采用分层K折交叉验证（使用sklearn.model_selection.StratifiedKFold），让每轮验证都能覆盖有代表性的样本分布；若能补充数据，尽量将验证集样本量提升至50张以上。
• 核对模型核心配置：确保二分类任务的输出层为单个神经元搭配sigmoid激活函数，损失函数使用binary_crossentropy——若误用categorical_crossentropy且标签未做one-hot编码，或错用softmax激活，都可能导致输出异常。
• 分析训练指标变化：记录每轮的训练/验证损失、精度：
  • 若训练精度持续上升但验证精度骤降，说明模型过拟合到训练集小样本，需添加正则化（如Dropout层、L2正则）或简化模型结构；
  • 若训练精度也偏低，需排查数据预处理（如是否未做归一化）、超参数（如学习率是否过高/过低）问题。
• 优化EarlyStopping策略：仅监控val_loss在小验证集下不可靠，可同时监控val_accuracy，并设置min_delta=0.001过滤微小波动；也可结合训练损失判断，当训练损失仍下降但验证损失回升时，及时停止训练。
• 检查数据增强与类别权重：确认ImageDataGenerator的增强操作未破坏样本类别特征；若数据集整体存在隐性类别偏差（即使每批样本均衡），可通过class_weight参数为少数类赋予更高权重，避免模型偏向单一类别。
• 调整学习率：训练后期输出趋近0可能是梯度更新异常，尝试将学习率降低至原有的1/10（如从1e-3调整为1e-4），观察模型输出是否恢复正常波动。

内容的提问来源于stack exchange，提问作者Eduard Ganzha