CNN回归预测每个测试图像的值相同 .

所以只是设置我想解决的问题 . 我有大约200k 64x64x3 RGB图像的机器人开过来的地形补丁 . 每个补丁都有一个相应的标签，表示该图像补丁的粗糙度 . 粗糙度值范围为0-160 . 在机器人以不同的速度驱动时收集数据，因此粗糙度值的范围 . 我的目标是能够预测贴片的粗糙度 . 我正在使用VGG-16网络，最后一层被修改为进行回归 . 我的批量大小是1024，损失是平均sqaured错误，优化是rmsprop . 网络如下所示 . 我的问题是，在训练之后，网络预测每个测试图像的完全相同的值 . 另一点需要注意的是，训练损失总是高于奇数的验证损失 . 最后，我尝试了其他优化器，如SGD和Adam，以及不同的批量大小 . 现在我正在尝试从头开始训练网络，但这似乎不太有希望 . 我不确定这里出了什么问题，我真的很感激我能得到的任何帮助 . 谢谢

if input_tensor is None:
    img_input = Input(shape=input_shape)
else:
    if not K.is_keras_tensor(input_tensor):
        img_input = Input(tensor=input_tensor, shape=input_shape)
    else:
        img_input = input_tensor
# Block 1
x = Conv2D(64, (3, 3), activation='relu', padding='same', name='block1_conv1')(img_input)
x = Conv2D(64, (3, 3), activation='relu', padding='same', name='block1_conv2')(x)
x = MaxPooling2D((2, 2), strides=(2, 2), name='block1_pool')(x)

# Block 2
x = Conv2D(128, (3, 3), activation='relu', padding='same', name='block2_conv1')(x)
x = Conv2D(128, (3, 3), activation='relu', padding='same', name='block2_conv2')(x)
x = MaxPooling2D((2, 2), strides=(2, 2), name='block2_pool')(x)

# Block 3
x = Conv2D(256, (3, 3), activation='relu', padding='same', name='block3_conv1')(x)
x = Conv2D(256, (3, 3), activation='relu', padding='same', name='block3_conv2')(x)
x = Conv2D(256, (3, 3), activation='relu', padding='same', name='block3_conv3')(x)
x = MaxPooling2D((2, 2), strides=(2, 2), name='block3_pool')(x)

# Block 4
x = Conv2D(512, (3, 3), activation='relu', padding='same', name='block4_conv1')(x)
x = Conv2D(512, (3, 3), activation='relu', padding='same', name='block4_conv2')(x)
x = Conv2D(512, (3, 3), activation='relu', padding='same', name='block4_conv3')(x)
x = MaxPooling2D((2, 2), strides=(2, 2), name='block4_pool')(x)

# Block 5
x = Conv2D(512, (3, 3), activation='relu', padding='same', name='block5_conv1')(x)
x = Conv2D(512, (3, 3), activation='relu', padding='same', name='block5_conv2')(x)
x = Conv2D(512, (3, 3), activation='relu', padding='same', name='block5_conv3')(x)
x = MaxPooling2D((2, 2), strides=(2, 2), name='block5_pool')(x)

x = Flatten(name='flatten')(x)
x = Dense(4096, activation='relu', name='fc1')(x)
x = Dense(4096, activation='relu', name='fc2')(x)
x = Dense(1,name='regression_dense')(x)