Сиамская сеть не обучается

Question

Я реализовал сиамскую сеть на примере Keras.Мой код выглядит следующим образом:

def contrastive_loss(y_true, y_pred):
    '''Contrastive loss from Hadsell-et-al.'06
    http://yann.lecun.com/exdb/publis/pdf/hadsell-chopra-lecun-06.pdf
    '''
    margin = 1
    return K.mean(y_true * K.square(y_pred) + (1 - y_true) * K.square(K.maximum(margin - y_pred, 0)))

def create_base_network(input_dim):
    '''Base network to be shared (eq. to feature extraction).
    '''
    seq = Sequential()
    seq.add(Dense(128, input_shape=(input_dim,), activation='relu'))
    seq.add(Dropout(0.1))
    seq.add(Dense(128, activation='relu'))
    seq.add(Dropout(0.1))
    seq.add(Dense(128, activation='relu'))
    return seq

def euclidean_distance(vects): #replace this with the code from tensorflow
    x, y = vects
    return K.sqrt(K.sum(K.square(x - y), axis=1, keepdims=True))

    def eucl_dist_output_shape(shapes):
        shape1, shape2 = shapes
        return (shape1[0], 2) 

============================ Основная часть ===============================

        input_dim = 9216
        nb_epoch = 3
        # network definition
        base_network = create_base_network(input_dim)

        input_a = Input(shape=(input_dim,))
        input_b = Input(shape=(input_dim,))

        # because we re-use the same instance `base_network`,
        # the weights of the network
        # will be shared across the two branches
        processed_a = base_network(input_a)
        processed_b = base_network(input_b)

        distance = Lambda(euclidean_distance, output_shape=eucl_dist_output_shape)([processed_a, processed_b])

        model = Model(inputs=[input_a, input_b], outputs=distance)

        # train

        model.compile(loss=contrastive_loss, optimizer='RMSprop', metrics=['accuracy'])
        model.fit([tr_pair1_reshaped, tr_pair2_reshaped],y_train_categorical, epochs=nb_epoch, batch_size=64,verbose=1)

=====================================================================

The results I am getting are as follows:
Epoch 1/3
3000/3000 [==============================] - 1s 368us/step - loss: 3.8701 - acc: 0.5000
Epoch 2/3
3000/3000 [==============================] - 1s 169us/step - loss: 0.5310 - acc: 0.5000
Epoch 3/3
3000/3000 [==============================] - 1s 167us/step - loss: 0.4727 - acc: 0.5000

Таким образом, здесь целью является сопоставление изображений, следовательно, двоичная классификация.Точность 50% здесь, вероятно, означает, что не учился вообще.Я использую to_categorical для совпадающих или не совпадающих ярлыков.Я также попробовал contrastive_loss, а также функцию потери categoryor_crossentropy, но результаты остались прежними, оптимизаторы "adam" и "rmsProp" также не имеют значения.Всего данных для обучения около 40к.поэтому я пробовал разные размеры партии тоже без разницы.Так, где я копаюсь, чтобы пойти в корень проблемы?У кого-нибудь есть намеки на меня?Я был бы очень благодарен.:)