我的二进制分类模型的准确性似乎停滞了：我哪里出错了？

Question

我已经尝试使用医学图片制成的数据集（准确地说是LIDC数据集）来训练针对二进制分类问题的模型，根据我的理解，这也不应该与“狗对猫”分类问题相距太远。 （区分良性和恶性结节）

问题是，准确性似乎从一开始就一直停留在65％左右，并且似乎根本没有变化。难道我做错了什么 ？我朋友提供的示例很容易达到80％以上，并且精度在一个世纪又一个世纪都在提高，但不是我的：/

我正在训练已经提取的补丁，它们的大小均相同，分为两类。

我正在为此模型使用经过微调的VGG16模型（我用新的FC层替换了FC层，冻结了上一层并尝试了训练）

我尝试更改为binary_crossentropy，应用to_categorical，将最后一层从1更改为2。在他看来，我对解决我的问题的参数正确组合感到困惑。抱歉，如果我听起来像个绝对的初学者...

我尝试跳过代码中信息较少的部分，希望其可读性

script: 
  - pip install something
  - another-command
  - yet-another-command
  - docker push "image-name"

Answer 1

由于具有单个单位的输出层和二进制交叉熵损失，因此应在最后一层使用sigmoid激活；更改为：

model.add(Dense(1, activation='sigmoid'))

最好还是让Adam保留默认学习率，至少对于初学者而言，即：

optimizer=keras.optimizers.Adam()

在您的model.compile中。