首先，我在我的cvs文件中读取包含1或0的矩阵

df = pd.read_csv(url)
print(df.head())    
print(df.columns)

接下来，我收集了图片并调整了它们的大小

image_directory = 'Directory/'
dir_list = os.listdir(path)
print("Files and directories in '", image_directory, "' :")  
# print the list
print(dir_list)

它们被保存到X2变量中。

SIZE = 200
X_dataset = []
for i in tqdm(range(df.shape[0])):
    img2 = cv2.imread("Cell{}.png".format(i), cv2.IMREAD_UNCHANGED)
    img = tf.keras.preprocessing.image.load_img(image_directory +df['ID'][i], target_size=(SIZE,SIZE,3))
    #numpy array of each image at size 200, 200, 3 (color)
    img = np.array(img)
    img = img/255.
    X_dataset.append(img)

X2 = np.array(X_dataset)
print(X2.shape)

我创建了y2数据，方法是获取cvs数据，删除两列并得到一个形状（1000，16）

y2 = np.array(df.drop(['Outcome', 'ID'], axis=1))
print(y2.shape)

然后我做了train_test_split * 我想知道我的随机状态或test_size是否不是最优的 *

X_train2, X_test2, y_train2, y_test2 = train_test_split(X2, y2, random_state=10, test_size=0.3)

接下来，我创建了一个序列模型SIZE =（200，200，3），它是在上面调整大小的模型中创建的。

model2 = Sequential()

model2.add(Conv2D(filters=16, kernel_size=(10, 10), activation="relu", input_shape=(SIZE,SIZE,3)))
model2.add(BatchNormalization())
model2.add(MaxPooling2D(pool_size=(5, 5)))
model2.add(Dropout(0.2))

model2.add(Conv2D(filters=32, kernel_size=(5, 5), activation='relu'))
model2.add(MaxPooling2D(pool_size=(2, 2)))
model2.add(BatchNormalization())
model2.add(Dropout(0.2))

model2.add(Conv2D(filters=64, kernel_size=(5, 5), activation="relu"))
model2.add(MaxPooling2D(pool_size=(2, 2)))
model2.add(BatchNormalization())
model2.add(Dropout(0.2))

model2.add(Conv2D(filters=128, kernel_size=(3, 3), activation='relu'))
model2.add(MaxPooling2D(pool_size=(2, 2)))
model2.add(BatchNormalization())
model2.add(Dropout(0.2))

model2.add(Flatten())
model2.add(Dense(512, activation='relu'))
model2.add(Dropout(0.5))
model2.add(Dense(128, activation='relu'))
model2.add(Dropout(0.5))
model2.add(Dense(16, activation='sigmoid'))

#Do not use softmax for multilabel classification
#Softmax is useful for mutually exclusive classes, either cat or dog but not both.
#Also, softmax outputs all add to 1. So good for multi class problems where each
#class is given a probability and all add to 1. Highest one wins. 

#Sigmoid outputs probability. Can be used for non-mutually exclusive problems.
#like multi label, in this example.
#But, also good for binary mutually exclusive (cat or not cat). 

model2.summary()

#Binary cross entropy of each label. So no really a binary classification problem but
#Calculating binary cross entropy for each label. 
opt = tf.keras.optimizers.Adamax(
    learning_rate=0.02,
    beta_1=0.8,
    beta_2=0.9999,
    epsilon=1e-9,
    name='Adamax')

model2.compile(optimizer=opt, loss='binary_crossentropy', metrics=['accuracy', 'mse' ])

该模型使用自定义优化器，生成的形状具有473，632个可训练参数。
然后指定样本权重，该权重是通过取最高采样数并将其他数除以该值计算得出的。

sample_weight = {     0:1,
                      1:0.5197368421,
                      2:0.4385964912,
                      3:0.2324561404,
                      4:0.2302631579,
                      5:0.399122807,
                      6:0.08114035088,
                      7:0.5723684211,
                      8:0.08552631579,
                      9:0.2061403509,
                      10:0.3815789474,
                      11:0.125,
                      12:0.08333333333,
                      13:0.1206140351,
                      14:0.1403508772,
                      15:0.4824561404
                      }

最后我运行了model.fit

history = model2.fit(X_train2, y_train2, epochs=25, validation_data=(X_test2, y_test2), batch_size=64, class_weight = sample_weight, shuffle = False)

我的问题是，模型的最大准确率在30%到40%左右。我调查了一下，他们说调整学习率很重要。我还发现，在一定程度上，提高历元会有所帮助，降低批量大小也是如此。我还遗漏了什么吗？我注意到，较差的模型经常只能预测一个类（100%正常，0%其他），但更好的模型是按滑动比例预测的，其中一些项目为10%，一些为70%。
我还想知道我是否颠倒了样本权重，我的项目0中包含的项目最多...是否应该颠倒，其中1个样本1对应2个样本0？

• 谢谢-谢谢
  我试过的东西。

• 将批处理大小向下更改为16或8。（导致更长的历元时间，结果略好）
• 将学习速率更改为较低的数值（结果稍好，但时间更长）
• 将其更改为100个历元（结果通常在20个历元左右稳定。）
• 尝试创建更多参数、更高过滤器、更大初始内核大小、更大初始池大小、更多且值更高的密集层。（这会导致占用RAM，并且没有获得更好的结果。）
• 将优化器改为Adam、RAdam或AdamMax。（实际上并没有改变太多，其他的优化器都很糟糕）。我还把beta_1和epsilon弄得一团糟。
• 修改简历。（数据相当模糊，有帮助，仍然很难分辨）
• 删除坏数据（我不想摆脱太多的图片。）

编辑：增加了样本准确度。这一个异常低，但开始时足够好（准确度最初是25. 9%）
14/14 [==================================] -79秒6秒/步-损耗：0.4528 -精度：0.2592 -均方根误差：0.1594 -瓦尔_损失：261.8521 -瓦尔_准确度：0.3881 -瓦尔_最小误差：0.1416时间点2/25 14/14 [=========================================] -85 s 6s/阶跃-损耗：0.2817 -精度：0.3188 -平均误差：0.1310 -瓦尔_损失：22.7037 -瓦尔_准确度：0.3881 -瓦尔_最小误差：0.1416时间点3/25 14/14 [=========================================] -79秒6秒/阶跃-损耗：0.2611 -精度：0.3555 -均方根误差：0.1243 -瓦尔_损失：11.9977 -瓦尔_准确度：0.3881 -瓦尔_最小误差：0.1416时间点4/25 14/14 [============================================] -80秒6秒/阶跃-损耗：0.2420 -精度：0.3521 -均方根误差：0.1172 -瓦尔_损失：6.6056 -瓦尔_准确度：0.3881 -瓦尔_最小误差：0.1416时间点5/25 14/14 [==========================================] -80秒6秒/阶跃-损耗：0.2317 -精度：0.3899 -均方根误差：0.1151 -瓦尔_损失：4.9567 -瓦尔_准确度：0.3881 -瓦尔_最小误差：0.1415时间点6/25 14/14 [=========================================] -80秒6秒/阶跃-损耗：0.2341 -精度：0.3899 -均方根误差：0.1141 -瓦尔_损失：2.7395 -瓦尔_准确度：0.3881 -瓦尔_最小误差：0.1389时间点7/25 14/14 [======================================] -76秒5秒/阶跃-损耗：0.2277 -精度：0.4128 -均方根误差：0.1107 -瓦尔_损失：2.3758 -瓦尔_准确度：0.3881 -瓦尔_最小误差：0.1375时间点8/25 14/14 [=========================================] -85秒6秒/步-损耗：0.2199 --精度：0.4106 -均方根误差：0.1094 -瓦尔_损失：1.4526 -瓦尔_准确度：0.3881 -瓦尔_最小误差：0.1319时间点9月25日14月14日[=======================================] -76秒5秒/阶跃-损耗：0.2196 --精度：0.4151 -均方根误差：0.1086 -瓦尔_损失：0.7962 -瓦尔_准确度：0.3881 -瓦尔_最小误差：0.1212纪元10/25 14/14 [=============================================] -80秒6秒/阶跃-损耗：0.2187 --精度：0.4140 -均方根误差：0.1087 -瓦尔_损失：0.6308 -瓦尔_准确度：0.3744 -瓦尔_最小误差：0.1211时间点11/25 14/14 [==========================================] -81秒6秒/阶跃-损耗：0.2175 -精度：0.4071 -均方根误差：0.1086 -瓦尔_损失：0.5986 -瓦尔_准确度：0.3242 -瓦尔_MSE：0.1170纪元12/25 14/14 [==============================================] -80秒6秒/阶跃-损耗：0.2087 -准确度：0.3968 -均方根误差：0.1034 -瓦尔_损失：0.4003 -瓦尔_准确度：0.3333 -瓦尔_MSE：0.1092时间点13/25 12/14 [预计到达时间：10 s-损失：0.2092 -准确度：0.3945 -均方根误差：0.1044