我正在使用tensorflow-gpu 1.9.0与我们在GPU机器上的CUDA和cuDNN版本兼容。这可能是相关的。
我有一个卷积自动编码器，用于医学图像的特征提取。不用担心可能过度拟合，我只能通过查看与输入相比的输出图像来判断当前模型的“好”程度（因为自动编码器仅尝试使用瓶颈功能重建输入）。我知道模型不一定能提取更多有用的功能，它会更好地重建输入，但这不是问题，也不是问题。
我的问题如下：训练损失和准确性在大约45个时期后收敛。如果我看输出，我可以清楚地看到形状有点像原始图像（我不能在这里显示这些图像）。如果我继续训练模型，损失不会继续减少（精度也不会增加），但是，模型会更好地重建输入。我可以通过并排比较输入和输出来判断。
我已经训练了最多1000个时期的模型。重建图像比45时代模型的图像要好得多，但两种模型的损失相同（0.0070），精度相同。
这是一种完全出乎意料的行为。如果损失保持不变，模型怎么可能变得更好？
我正在使用的损失函数是binary_crossentropy。
您可以添加衡量其他错误的指标（https://keras.io/metrics/），例如MSE，并告诉我们它是如何工作的。