我有一些包含某些结构的图像（例如建筑物）。
我有像素数据和标签数据。
标签数据的格式为：
np.array([[0, nan, nan],
[1, 2, 1],
[1, 3, 2]])
第一列表示：是否有结构？ 1或0
第二：结构是什么类型？类型：1,2,3
第三个：有多少个结构？
当我们没有结构时，所有其他值都是nan。
因此，对于上面的示例，我们有：
第一行：无结构
第二行：我们有一个类型2的结构，它是一个
第三行：我们有一个类型3的结构，其中有两个
所以，首先我要进行二进制分类，以了解我们是否具有结构。
我正在使用具有预训练权重的vggnet。
imagenet_weights = './vgg16_weights_tf_dim_ordering_tf_kernels_notop.h5'
base_vgg16 = VGG16(include_top=False, weights=imagenet_weights, input_shape=input_shape)
last_layer = base_vgg16.output
x = Flatten()(last_layer)
x = Dense(512, activation='relu')(x)
x = Dropout(0.3)(x)
preds = Dense(1, activation='sigmoid')(x)
base_vgg16.trainable = False
model_vgg16 = Model(base_vgg16.input, preds)
为了进行培训，我正在使用3kfold和数据增强。
这提供了97％的准确性。
现在，我想根据二进制分类结果对分类进行分类。
所以，我有：
pred_val = model.predict(X_val)
现在，我不确定如何继续。
用作分类器输入的内容。
我尝试过：
X_train = X_train[np.where(pred_val >= 0.5), :]
或
pred_train = model.predict(X_train)
X_train = X_train[np.where(pred_train.squeeze() >= 0.5), :]
（我不确定火车数据是否有预测意义
现在，但是我运行了第二个网络，我总是收到可怕的结果。
Val_loss is almost steady around (10-11)
Train_loss is around 10-12
Val_acc is almost steady around (0.25-0.35)
Train_acc is 0.28-0.38
对于第二个网络：
inputs = Input(shape=input_shape)
x = Flatten()(inputs)
x = Dense(512, activation='relu')(x)
x = Dense(256, activation='relu')(x)
preds = Dense(5, activation='softmax')(x)
model = Model(inputs, preds)
无论我尝试了多少种组合，都或多或少地尝试了单位（我只尝试了几种类似的方法：x = Dense(8, activation='relu')(x)
或无论批次大小，优化程序和学习率如何，结果都是相同的。