带有keras的CNN，准确性没有提高

我最近开始学习机器学习，正在学习CNN，我计划在此Keras博客和此github repo的帮助下编写一个用于汽车损坏严重性检测的应用程序。

汽车数据集如下所示：

F:\WORKSPACE\ML\CAR_DAMAGE_DETECTOR\DATASET\DATA3A
├───training (979 Images for all 3 categories of training set)
│   ├───01-minor
│   ├───02-moderate
│   └───03-severe
└───validation (171 Images for all 3 categories of validation set)
    ├───01-minor
    ├───02-moderate
    └───03-severe

以下代码仅给我32％的准确性。

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 = 150, 150

train_data_dir = 'dataset/data3a/training'
validation_data_dir = 'dataset/data3a/validation'
nb_train_samples = 979
nb_validation_samples = 171
epochs = 10
batch_size = 16

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

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(1))
model.add(Activation('sigmoid'))

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

# this is the augmentation configuration we will use for training
train_datagen = ImageDataGenerator(
    rescale=1. / 255,
    shear_range=0.2,
    zoom_range=0.2,
    horizontal_flip=True)

# this is the augmentation configuration we will use for testing:
# only rescaling
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='binary')

validation_generator = test_datagen.flow_from_directory(
    validation_data_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    class_mode='binary')
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('first_try.h5')

我试过了：

• 通过将时代增加到10、20、50。
• 通过增加数据集中的图像（将所有验证图像添加到训练集中）。
• 通过更新Conv2D图层中的过滤器大小
• 试图添加几层Conv2D，MaxPooling几层
• 还具有不同的优化，如试过adam，Sgd等
• 还尝试通过将过滤器步幅更新为(1,1) and (5,5)而不是(3,3)
• 还通过更新变更图像尺寸，以尝试(256, 256)，(64, 64)从(150, 150)

但是，没有运气，每次我获得的准确率都高达32％或更低，但不超过32％。知道我想念的是什么。

正如我们在github repo中看到的那样，对于同一数据集，它给出72％的准确性（训练-979，验证-171）。为什么它不适合我。

我在机器上的github链接上尝试了他的代码，但是在训练数据集时挂断了（我等了8个多小时），所以改变了方法，但是到目前为止还算不上运气。

这是Pastebin，其中包含我的训练纪元的输出。