CNN 从图像回归：输出位于均值附近的小范围内

如何解决CNN 从图像回归：输出位于均值附近的小范围内

我对 CNN、ML 等很陌生，但遇到了一个问题。

我有一个回归问题。问题如下。

我有很多（5000）个厄密矩阵，它们被转换为灰度图像（每个像素值基本上是矩阵元素，缩放到 0-255）。每张图像的大小为 70X70。然而，在主要问题中，所有单个图像像素值都归一化为 0-1。

现在，众所周知，将这些矩阵 (X) 对角化并进一步做一些数学运算可以得出特定矩阵所独有的数字 (y)。 y 的范围通常在 0.2-0.6 之间。

我正在尝试使用 CNN 解决回归问题，然后在 Tensorflow 上使用几个深层，其中输入为 X，目标输出为 y。（可能相当于人脸图像的年龄判断问题）

问题在于模型总是预测接近平均值的 y 值，即 0.4+-小波动。仔细观察会发现波动确实有点跟随我的目标 y 值的趋势，但预测值仅在大约 0.35-0.45 的范围内。

我在 5 折交叉验证的每一折都得到 MSE~7×10^-4。

我应该寻找哪些问题？我完全是这个领域的初学者。任何帮助或想法将不胜感激。 TIA。

fold_no = 1
for train,test in kfold.split(inputs,targets):

  
  model = Sequential()
  model.add(Conv2D(10,kernel_size=(3,3),activation='relu',input_shape=input_shape))
  model.add(MaxPooling2D(pool_size=(2,2)))
  model.add(Conv2D(20,activation='relu'))
  model.add(MaxPooling2D(pool_size=(2,2)))
  model.add(Flatten())
  model.add(Dense(20,activation='relu'))
  model.add(Dense(10,activation='relu'))
  model.add(Dense(1))

  
  optimizer=tf.keras.optimizers.Adam(learning_rate=0.01,beta_1=0.9,beta_2=0.999,epsilon=1e-01,decay=0.0)
  model.compile(optimizer=optimizer,loss='mean_squared_error')


  
  print('------------------------------------------------------------------------')
  print(f'Training for fold {fold_no} ...')

  
  history = model.fit(inputs[train],targets[train],batch_size=batch_size,epochs=no_epochs,verbose=verbosity)
  
  
  scores = model.evaluate(inputs[test],targets[test],verbose=0)
  print(f'score for fold {fold_no}: {model.metrics_names} of {scores}')
  
  loss_per_fold.append(scores)

  fold_no = fold_no + 1