含ResNet模块的PTB-XL数据库ECG分类模型精度停滞问题求助

我正在尝试基于PTB-XL数据库实现ECG片段的分类任务，目前遇到了模型精度停滞的瓶颈，想请教大家的解决思路。

我使用的是自定义的ResNet结构模型，代码如下：

import torch
import torch.nn as nn

class ResNetBlock(nn.Module):
    def __init__(self, in_channels, out_channels):
        super().__init__()
        self.conv1 = nn.Conv1d(in_channels, out_channels, kernel_size=7, padding=3,stride=1)
        self.bn1 = nn.BatchNorm1d(out_channels)
        self.conv2 = nn.Conv1d(out_channels, out_channels, kernel_size=5, padding=2,stride=1)
        self.bn2 = nn.BatchNorm1d(out_channels)
        self.conv3 = nn.Conv1d(in_channels=out_channels,out_channels=out_channels,kernel_size=3,padding=1,stride=1)
        self.bn3 = nn.BatchNorm1d(out_channels)
        
        skip_layers = []
        if in_channels != out_channels:
            skip_layers += [
                nn.Conv1d(in_channels, out_channels, kernel_size=1, stride=1),
                nn.BatchNorm1d(out_channels)
            ]
        self.skip_bn = nn.BatchNorm1d(out_channels)
        self.skip = nn.Sequential(*skip_layers)
        self.relu = nn.ReLU(inplace=True)

class Model(nn.Module):
    def __init__(self,in_channels,num_classes):
        super().__init__()
        self.block_sizes = [64,128,256]
        self.resnet_block1 = ResNetBlock(in_channels=in_channels,out_channels=self.block_sizes[0])
        self.resnet_block2 = ResNetBlock(in_channels=self.block_sizes[0],out_channels=self.block_sizes[1])
        self.resnet_block3 = ResNetBlock(in_channels=self.block_sizes[1],out_channels=self.block_sizes[2])
        self.global_pool = nn.AdaptiveAvgPool1d(1)
        self.fc1 = nn.Linear(self.block_sizes[2], num_classes)

现在模型的结果让我非常困惑：训练精度一直卡在*47%左右，测试精度也维持在46%*上下，完全没有提升的趋势。我已经尝试了以下几种优化方法，但都没有效果：

• 在每个ResNet块之后添加nn.Dropout(0.2)，但模型性能没有任何改善
• 调整学习率，试过从0.01到0.00001之间的各种取值
• 更换batch size，试过32、64、128、256这些常见的数值

实在不知道该怎么突破这个瓶颈了，希望有经验的朋友能给我一些建议或思路，非常感谢！

内容来源于stack exchange