复现DCNN论文模型时训练精度损失停滞的代码修正方法

云原生阿岚

2026-8-30

问题原因与修正方案

你的代码存在4个核心错误，直接导致模型参数无法更新、训练过程中损失和精度完全卡死：

输出层激活函数与任务、损失函数完全不匹配：二分类像素级分割任务下，若最后一层卷积输出通道为1，必须使用sigmoid作为激活函数，搭配binary_crossentropy损失。你当前给单通道输出接softmax激活，由于softmax是对通道维度做归一化，单通道下输出值永远为1，反向传播梯度为0，参数从始至终不会更新——你观察到的76%左右的精度就是数据集里多数类的占比，模型相当于一直固定预测多数类，完全没有学习。
未实现论文提到的50%步长设置：50%步长指卷积滑动步长为卷积核尺寸的1/2，你第一层卷积核大小为8*8，对应步长应为(4,4)，你当前使用默认步长1，不符合论文结构。注意使用该步长后特征图尺寸会缩小为原尺寸的1/4，需要添加上采样层恢复到原输入尺寸，才能匹配像素级分类的标签维度。
输入未做归一化：12通道的输入图像必须先做归一化处理（比如将所有像素值缩放到0~1区间，或逐通道做Z-score标准化），否则数值范围过大容易导致梯度消失/爆炸，阻碍模型收敛。
标签维度不匹配：单通道sigmoid输出的设置下，你的训练/验证标签形状必须为(样本数, 256, 256, 1)，标签值为0或1，维度或数值范围错误也会导致训练异常。

修正后的可运行代码

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, UpSampling2D
import numpy as np

# --------------- 数据预处理部分 ---------------
# 对输入做0-1归一化，可根据数据实际值域调整为Z-score标准化
x_train = x_train.astype('float32') / np.max(x_train)
x_val = x_val.astype('float32') / np.max(x_val)
# 对齐标签维度，确保标签值为0/1
y_train = y_train.reshape(-1, 256, 256, 1).astype('float32')
y_val = y_val.reshape(-1, 256, 256, 1).astype('float32')

# --------------- 模型构建 ---------------
cnn = Sequential()
# 第一层8*8卷积，步长4实现50%滑动重叠
cnn.add(Conv2D(100, (8,8), strides=(4,4), input_shape = (256, 256, 12), activation = 'relu', padding = 'SAME'))
cnn.add(Conv2D(50, (1,1), activation = 'relu', padding='SAME'))
cnn.add(Conv2D(30, (1,1), activation = 'relu', padding='SAME'))
cnn.add(Conv2D(15, (1,1), activation = 'relu', padding='SAME'))
# 上采样4倍恢复到原输入256*256尺寸，匹配像素级输出要求
cnn.add(UpSampling2D(size=(4,4)))
# 输出层单通道，用sigmoid激活做二分类
cnn.add(Conv2D(1, (1,1), activation = 'sigmoid', padding='SAME'))

cnn.compile(optimizer = tf.keras.optimizers.Adam(learning_rate=1e-4), loss = 'binary_crossentropy', metrics = ['accuracy'])

model_checkpoint_callback = tf.keras.callbacks.ModelCheckpoint(
    filepath="dcnn_model.h5", 
    verbose=1,
    save_weights_only=True,
    monitor='val_accuracy',
    mode='max',
    save_best_only=True)

# --------------- 模型训练 ---------------
cnn.fit(x_train,y_train,
      batch_size=5,
      epochs=30,
      shuffle=True,
      validation_data=(x_val,y_val),
      callbacks=[model_checkpoint_callback])

额外调优建议

初始学习率建议设为1e-4，Adam优化器默认的1e-3学习率对于90张样本的小数据集分割任务步长过大，容易导致收敛不稳定
如果数据集存在类别不平衡问题（某一类像素占比远高于另一类），可以给损失函数加类别权重，或者把监控指标换成MeanIoU，全局精度不能真实反映像素级分类的效果
正式训练前建议打印一次cnn.summary()，确认最后一层输出形状为(None,256,256,1)，和标签形状完全匹配

内容的提问来源于stack exchange，提问作者Mandy Chu