CNN验证准确率不提升求助：EyePACs视网膜图像分类任务

问题背景 #

尝试构建简易CNN区分不同严重程度的眼部视网膜扫描图像，初始为5类多分类任务，采用Kaggle EyePACs缩放后数据集。训练时预期训练与验证准确率同步上升，但实际验证准确率毫无提升；转为0和4两类二分类任务后，曲线仍无明显改善。未做图像预处理，原计划先实现基础学习再用CLAHE等优化，但模型初始准确率达0.75且后续无提升，验证集完全无学习迹象。

当前代码与输出 #

数据集构建代码 #

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers

train_ds = tf.keras.preprocessing.image_dataset_from_directory(
    "/content/drive/MyDrive/Colab Notebooks/resized train 15/Binary 0-4",
    labels="inferred",
    label_mode="binary",
    validation_split=0.2,
    seed=1337,
    subset="training",
)

val_ds = tf.keras.preprocessing.image_dataset_from_directory(
    "/content/drive/MyDrive/Colab Notebooks/resized train 15/Binary 0-4",
    labels="inferred",
    label_mode="binary",
    validation_split=0.2,
    seed=1337,
    subset="validation",
)

test_ds = tf.keras.preprocessing.image_dataset_from_directory(
    "/content/drive/MyDrive/Colab Notebooks/resized test 15/0-4/",
    labels="inferred",
    label_mode="binary",
)

数据集输出

Found 26518 files belonging to 2 classes.

Using 21215 files for training.

Found 26518 files belonging to 2 classes.

Using 5303 files for validation.

Found 36759 files belonging to 2 classes.

模型与训练代码 #

# 加速处理
train_ds = train_ds.prefetch(buffer_size=32)
val_ds = val_ds.prefetch(buffer_size=32)
test_ds = test_ds.prefetch(buffer_size=32)

# 模型架构：
from keras.models import Sequential
from keras.layers import Dense, Rescaling, Conv2D, MaxPool2D, Flatten

model = Sequential()
model.add(Rescaling(1.0 / 255))
model.add(Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=(256,256,3)))
model.add(MaxPool2D(pool_size=(2, 2), strides=2))
model.add(Conv2D(64, kernel_size=(3, 3), activation='relu'))
model.add(MaxPool2D(pool_size=(2, 2), strides=2))
model.add(Flatten())
model.add(Dense(units=2, activation='sigmoid'))

# 编译模型：
from keras import optimizers

model.compile(optimizer=keras.optimizers.Adam(1e-3), loss='sparse_categorical_crossentropy', metrics=['accuracy'])

# 训练：
history = model.fit(
          x=train_ds,
          epochs=30,
          validation_data=val_ds,
)

# 测试评估：
loss, acc = model.evaluate(test_ds)
print("Accuracy", acc)

训练输出

1149/1149 [==============================] - 278s 238ms/step - loss: 0.1408 - accuracy: 0.9672

Accuracy 0.9671916961669922

核心问题分析 #

1. 损失函数与输出层不匹配：二分类任务中label_mode="binary"对应单值标签（0/1），但当前输出层设为2个单元+sigmoid激活，搭配sparse_categorical_crossentropy损失，完全不符合二分类配置逻辑，导致模型学习信号混乱，无法有效更新权重。
2. 类别不平衡嫌疑：初始准确率0.75大概率是某类样本占比75%，模型仅靠输出占比高的类别就能达到该准确率，后续无提升说明模型未学到有效特征。
3. 模型容量不足：仅两层卷积的简易CNN，无法捕捉视网膜图像中区分病理特征（如血管、渗出物）的精细信息，特征提取能力太弱。
4. 缺乏图像预处理：视网膜图像普遍存在光照不均、对比度低的问题，直接输入原始图像会让模型难以聚焦于有效病理特征，阻碍基础学习。

优化方向与修正代码 #

关键优化点 #

1. 修正模型与损失函数的二分类适配配置
2. 处理类别不平衡问题
3. 增强模型特征提取能力
4. 添加图像预处理与数据增强

修正后的核心代码 #

# 修正模型架构
model = Sequential()
model.add(Rescaling(1.0 / 255))
# 添加数据增强
model.add(layers.RandomFlip("horizontal"))
model.add(layers.RandomRotation(0.1))
# 增加卷积层并加入BatchNormalization
model.add(Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=(256,256,3)))
model.add(layers.BatchNormalization())
model.add(MaxPool2D(pool_size=(2, 2), strides=2))
model.add(Conv2D(64, kernel_size=(3, 3), activation='relu'))
model.add(layers.BatchNormalization())
model.add(MaxPool2D(pool_size=(2, 2), strides=2))
model.add(Conv2D(128, kernel_size=(3, 3), activation='relu'))
model.add(layers.BatchNormalization())
model.add(MaxPool2D(pool_size=(2, 2), strides=2))
model.add(Flatten())
# 添加Dropout防止过拟合
model.add(layers.Dropout(0.5))
# 二分类正确输出层：1个单元+ sigmoid
model.add(Dense(units=1, activation='sigmoid'))

# 修正编译配置
model.compile(optimizer=keras.optimizers.Adam(1e-4), # 降低学习率提升稳定性
              loss='binary_crossentropy', 
              metrics=['accuracy'])

# 计算类别权重（假设类别0占比75%，类别4占比25%，权重反比于类别占比）
class_weights = {0: 1.0, 4: 3.0}

# 训练时加入类别权重
history = model.fit(
          x=train_ds,
          epochs=30,
          validation_data=val_ds,
          class_weight=class_weights
)

额外建议 #

• 先统计数据集各类别样本数量，确认是否存在类别不平衡问题
• 可视化训练/验证的损失与准确率曲线，直观观察模型学习状态
• 尝试预训练模型（如ResNet50）做迁移学习，这是医学图像分类任务中快速提效的常用方法

内容的提问来源于stack exchange，提问作者brosefzai