我正在尝试开发一个模型，如果触发字（'hello'）及时出现，它可以从音频文件中识别出来。我使用了Coursera的NG Andrew的课程中的一些想法，但就我而言，某些方法不起作用。
我已经建立了一个模型：
opt = Adam(lr=0.0001, beta_1=0.9, beta_2=0.999, decay=0.01)
model.compile(loss='binary_crossentropy', optimizer=opt, metrics=["accuracy"])
mcp_save = ModelCheckpoint('model-{epoch:03d}-{acc:03f}-{val_acc:03f}.h5', save_best_only=True, monitor='val_loss', mode='auto')
model.fit(X, Y, batch_size=8, epochs=150, validation_split=0.2, callbacks=[mcp_save])
我自己创建了带有3937个示例的数据集，并将每个音频文件转换成其频谱图，所以：
输入-音频文件的频谱图，
输出-值从0-1开始的时间向量。
时间向量最初具有10000个时间戳，但是为了使其适合模型，我已经对其进行了数字化处理，因此最终它具有981个时间戳。
为了训练，我使用了这段代码：
{{1}}
如我所见，准确性在前25个时期内有所提高，达到了约90％。在那之后，它陷入困境-acc的变化不大，因此损失很大。出现val_acc时，它等于99％。
在第40个时期后，我停止了训练，并尝试以该模型以前未曾看到的示例进行测试。此示例的Y向量（标签）应为：
我收到了结果：
在这种情况下，音频文件包含4个字，但其中只有一个是触发字（第二个）。
我不太了解为什么我的模型会给我一个0到0.4的结果。我正在尝试其他示例，并且是相同的。而且，我想知道如何将结果求逆，因此在听到触发字后它应该具有最高的值，而不是最低的。最后但并非最不重要的一点-我要怎么做才能学习模型来识别这个特定单词？
我还应该提到的是，我正在尝试使用ReduceLROnPlateau训练具有更大batch_size的模型，并且我正在使用训练集中的示例评估结果，结果仍然相同，所以我认为这不是一个过拟合的问题
任何想法如何解决？在此先感谢：）
