CNN模型适配5类花卉识别训练准确率仅16% 问题求助

逐行排查修改点 #

• 输出层维度完全错配
  原代码最后一层写的是model.add(Dense(1,activation='sigmoid'))，这是纯纯的二分类结构，1个神经元+sigmoid激活只能输出0/1的两类判断结果。要做5类分类，直接把这层替换成：
  model.add(Dense(5, activation='softmax'))
  softmax会把输出转换成5个类别的概率分布，和多分类的输出需求完全对齐。
• 损失函数选错了
  原代码编译模型时用的是loss='binary_crossentropy'，也就是二分类交叉熵，这个损失函数只针对单标签二分类场景设计，多分类场景下根本算不对梯度。要换成loss='categorical_crossentropy'，才能匹配后面数据生成器输出的one-hot标签格式。
• 数据加载的标签模式不对
  原代码两处flow_from_directory都设了class_mode='binary'，这个参数会让生成器只输出0/1的二分类标签，根本没法承载5类的标注信息。把两处的class_mode都改成'categorical'，生成器才会给每张图打上对应5类的one-hot编码，和模型的输出维度匹配。
• 可以顺带优化的结构问题：你现在的模型太浅了，只有1个卷积块，特征提取能力根本撑不起花卉这类细粒度的视觉分类任务。可以参照你之前做猫狗分类的项目结构，多叠几层卷积+最大池化组合，再接入全连接层，准确率还能再上一个台阶。

说直白点，你现在16%的准确率和随机瞎猜的水平差不了多少（5类随机猜的理论准确率就是20%），本质就是上面三个配置错位导致的：模型的输出维度、损失计算逻辑、接收的标签格式全不匹配，根本没法从数据里学到有效的识别规律。

内容的提问来源于stack exchange，提问作者Mete Ceviz