用于图像分类的Keras模型做出相同的预测

Question

新手在这里！在过去的一两个星期中，我一直在Keras中研究图像分类模型。我已经在线上关注了一些教程，以使用VGG16和Sequential执行传输学习。我一直在使用food-101数据集，我知道我有一个过拟合模型（99％acc和70％val_acc）。我遇到了一个问题，无论我给模型提供什么图像，它总是会给出相同的预测。我正在使用Dropout和L2来对数据进行正则化，但是我对导致模型不断给出错误预测的原因感到困惑。

model = models.Sequential()
model.add(Dense(units=512, activation='relu', input_dim=7*7*512))
model.add(layers.Dropout(0.5))
model.add(Dense(units=512, activation='relu', kernel_regularizer = regularizers.l2(0.00001)))
model.add(layers.Dropout(0.5))
model.add(Dense(units=512, activation='relu', kernel_regularizer = regularizers.l2(0.00001)))
model.add(layers.Dropout(0.5))
model.add(Dense(units=512, activation='relu', kernel_regularizer = regularizers.l2(0.00001)))
model.add(layers.Dropout(0.5))
model.add(Dense(units=15, activation='softmax'))

model.compile(optimizer=optimizers.Adam(lr=1e-4),
          loss='categorical_crossentropy',
          metrics=['acc'])