Keras液滴图像边缘检测模型损失无改善且输出黑图求助

从你的代码和描述来看，模型训练无进展、输出全黑图的问题主要集中在标签赋值错误、激活函数选型完全不符合任务需求、学习率设置过高这几个核心点上，下面逐一拆解并给出修复方案：

1. 致命低级错误：标签被错误替换为输入 #

你在处理标签数据时犯了一个严重的逻辑错误：

tr_out_sel_flat=tr_in_sel.reshape([np.prod(pl),b_sha])

这里你把输入图像tr_in_sel当成了训练标签，相当于让模型学习"复制输入"，再加上后续激活函数的错误，直接导致训练完全偏离了"学习图像边缘标记"的预期目标。

修正：把tr_in_sel换成正确的标签数据tr_out_sel：

tr_out_sel_flat=tr_out_sel.reshape([np.prod(pl),b_sha])

2. 激活函数与图像回归任务完全不匹配 #

你的模型多次使用softmax激活函数，但softmax是专门用于分类任务的——它会将输出归一化到0-1区间且所有输出总和为1，这和图像像素（每个通道独立的0-1连续值）的特性完全冲突。最后一层用softmax会强制让模型输出的像素值总和为1，最终呈现全黑图。

修正方案：

• 中间隐藏层保留relu激活即可，绝对不要用softmax
• 输出层对于归一化后的图像像素，使用sigmoid激活（让每个像素独立归一化到0-1区间），或者直接不使用激活函数（因为输入已经归一化到0-1，MSE损失下直接输出连续值更合适）

3. 学习率过高导致训练彻底不稳定 #

你给Adam优化器设置了lr=0.1，但Adam的默认学习率是0.001，0.1的学习率太大了，会导致模型参数更新幅度过大，根本无法收敛到有效解，甚至可能出现损失震荡或NaN的情况。

修正：降低学习率到合理范围，比如0.001：

model.compile(optimizer=Adam(learning_rate=0.001), loss='mean_squared_error', metrics=['accuracy'])

（注：Keras新版本中adam(lr=...)已被弃用，建议改用Adam(learning_rate=...)，需要先导入from keras.optimizers import Adam）

额外建议：全连接层不适合图像分割任务 #

虽然你指定要用Dense层，但从任务本质来说，图像是具有空间相关性的数据，全连接层会完全丢失空间信息，训练效果会远不如卷积神经网络（CNN）。如果后续想提升效果，建议改用U-Net这类专门针对图像分割的CNN结构。

修正后的完整代码片段 #

#################### IMPORT AND SPLIT
from cam_img_split import cam_img_split
import cv2
import numpy as np  # 补上缺失的numpy导入
img_tr_in=cv2.imread('frame 1.png')
img_tr_out=cv2.imread('frame 1 so far.png')
seg_shape=[32,32]
tr_in=cam_img_split(img_tr_in,seg_shape)
tr_out=cam_img_split(img_tr_out,seg_shape)
pl=[4,20] #images selected for training
##################### NEURAL NETWORK
import tensorflow as tf
from keras.models import Sequential
from keras.layers import Dense
from keras.optimizers import Adam

b_sha=np.prod(tr_in.shape[2:5]) #batch shape
model = Sequential()
# 中间层仅用relu激活
model.add(Dense(b_sha, activation='relu'))
model.add(Dense(3072, activation='relu'))
model.add(Dense(3072, activation='relu'))
model.add(Dense(3072, activation='relu'))
# 输出层用sigmoid匹配归一化后的像素值
model.add(Dense(np.prod(tr_out.shape[2:5]), activation='sigmoid'))
# 调整学习率到合理值
model.compile(optimizer=Adam(learning_rate=0.001), loss='mean_squared_error', metrics=['accuracy'])

tr_in_sel=tr_in[0:pl[0],0:pl[1],:,:,:]
tr_out_sel=tr_out[0:pl[0],0:pl[1],:,:,:]
tr_in_sel_flat=tr_in_sel.reshape([np.prod(pl),b_sha]) #Flattening
# 修正标签赋值
tr_out_sel_flat=tr_out_sel.reshape([np.prod(pl),b_sha])
tr_in_sel_flat_norm=tr_in_sel_flat/255
tr_out_sel_flat_norm=tr_out_sel_flat/255

model.fit(tr_in_sel_flat_norm, tr_out_sel_flat_norm, epochs=10, batch_size=pl[0])

额外训练提示 #

如果修正后损失下降仍然缓慢，可以尝试：

• 增加训练轮数（比如epochs=50）
• 调整隐藏层神经元数量（比如减少3072的数值，避免过拟合）
• 增加训练样本数量（你目前仅用了80个样本，数量太少）

内容的提问来源于stack exchange，提问作者Cam K