使用keras训练花卉数据集上的vgg，验证损失不变

我正在使用keras在VGG网络上做一些小实验 . 我使用的数据集是花卉数据集，有5个类别，包括玫瑰，向日葵，蒲公英，郁金香和雏菊 .

有些事情我无法弄清楚：当我使用一个小的CNN网络（不是VGG，在下面的代码中）时，它快速收敛并且在仅仅约8个时期之后达到约75％的验证准确度 .

然后我切换到VGG网络（代码中注释掉的区域） . 网络的损失和准确性根本没有改变，输出如下：

大纪元1/50 402/401 [==============================] - 199s 495ms /步 - 损失：13.3214 - acc：0.1713 - val_loss：13.0144 - val_acc：0.1926 Epoch 2/50 402/401 [==============================] - 190s 473ms /步 - 损失：13.3473 - acc：0.1719 - val_loss：13.0144 - val_acc：0.1926 Epoch 3/50 402/401 [===================== =========] - 204s 508ms /步 - 损失：13.3423 - acc：0.1722 - val_loss：13.0144 - val_acc：0.1926 Epoch 4/50 402/401 [=========== ===================] - 190s 472ms /步 - 损失：13.3522 - acc：0.1716 - val_loss：13.0144 - val_acc：0.1926 Epoch 5/50 402/401 [= =============================] - 189s 471ms /步 - 损失：13.3364 - acc：0.1726 - val_loss：13.0144 - val_acc： 0.1926 Epoch 6/50 402/401 [==============================] - 189s 471ms /步 - 损失：13.3453 - acc：0.1720 - val_loss：13.0144 - val_acc：0.1926 Epoch 7/50 Epoch 7/50 402/401 [=========================== ===] - 189s 471ms /步 - 损失：13.3503 - acc：0.1717 - val_loss：13.0144 - val_acc：0.1926

PS：我也用其他数据集和框架做了这个实验（place365数据集有tensorflow和slim） . 结果是一样的 . 我已经研究了VGG论文（Simonyan＆Zisserman），它表示有很多阶段可以训练像VGG这样的深层网络，比如从A阶段到E阶段，具有不同的网络结构 . 我不确定是否必须像VGG论文中描述的那样训练我的VGG网络 . 其他在线课程也没有提到这个复杂的培训过程 . 有人有什么想法吗？

我的代码：

from keras.preprocessing.image import ImageDataGenerator
from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D
from keras.layers import Activation, Dropout, Flatten, Dense
from keras import backend as K


# dimensions of our images.
img_width, img_height = 224, 224

train_data_dir = './data/train'
validation_data_dir = './data/val'
nb_train_samples = 3213
nb_validation_samples = 457
epochs = 50
batch_size = 8

if K.image_data_format() == 'channels_first':
    input_shape = (3, img_width, img_height)
else:
    input_shape = (img_width, img_height, 3)

# random cnn model: 
model = Sequential()
model.add(Conv2D(32, (3, 3), input_shape=input_shape))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Conv2D(32, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Conv2D(64, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Flatten())
model.add(Dense(64))
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(5))
model.add(Activation('softmax'))

# vgg model:
'''model = Sequential([
    Conv2D(64, (3, 3), input_shape=input_shape, padding='same',
           activation='relu'),
    Conv2D(64, (3, 3), activation='relu', padding='same'),
    MaxPooling2D(pool_size=(2, 2), strides=(2, 2)),
    Conv2D(128, (3, 3), activation='relu', padding='same'),
    Conv2D(128, (3, 3), activation='relu', padding='same',),
    MaxPooling2D(pool_size=(2, 2), strides=(2, 2)),
    Conv2D(256, (3, 3), activation='relu', padding='same',),
    Conv2D(256, (3, 3), activation='relu', padding='same',),
    Conv2D(256, (3, 3), activation='relu', padding='same',),
    MaxPooling2D(pool_size=(2, 2), strides=(2, 2)),
    Conv2D(512, (3, 3), activation='relu', padding='same',),
    Conv2D(512, (3, 3), activation='relu', padding='same',),
    Conv2D(512, (3, 3), activation='relu', padding='same',),
    MaxPooling2D(pool_size=(2, 2), strides=(2, 2)),
    Conv2D(512, (3, 3), activation='relu', padding='same',),
    Conv2D(512, (3, 3), activation='relu', padding='same',),
    Conv2D(512, (3, 3), activation='relu', padding='same',),
    MaxPooling2D(pool_size=(2, 2), strides=(2, 2)),
    Flatten(),
    Dense(256, activation='relu'),
    Dense(256, activation='relu'),
    Dense(5, activation='softmax')
])'''


model.compile(loss='categorical_crossentropy',
              optimizer='rmsprop',
              metrics=['accuracy'])

train_datagen = ImageDataGenerator(
    rescale=1. / 255,
    shear_range=0.2,
    zoom_range=0.2,
    horizontal_flip=True)

test_datagen = ImageDataGenerator(rescale=1. / 255)

train_generator = train_datagen.flow_from_directory(
    train_data_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    class_mode='categorical')

validation_generator = test_datagen.flow_from_directory(
    validation_data_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    class_mode='categorical')

model.fit_generator(
    train_generator,
    steps_per_epoch=nb_train_samples // batch_size,
    epochs=epochs,
    validation_data=validation_generator,
    validation_steps=nb_validation_samples // batch_size)

model.save_weights('flowers.h5')