我在训练语义分割模型时得到的预测数据

Question

我试图针对超声神经数据集试验一些现有的语义分割代码。

实施基于u-net architecture。

在训练过程中，我可以捕捉每个时期的验证图。在下图中，左边的是原始图像，中间的是真实的图像，右边的是预测的图像（或概率图）。

如下图所示，我们可以看到epoch0的预测只是全黑，那么在我看来，它开始捕捉原始图像的一些分布，然后它再次全黑。

我只想知道如何根据这些情节来解释训练过程，为什么它会在几个训练时期之后回到第一个时期的结果。

此外，为什么预测结果会在训练过程中重现原始图像的分布。

是否可以从这些训练观察中得出任何见解？

我通常跟随tutorial来生成训练集。 （我在教程中使用了create_train_data的相同功能。 唯一的区别是我添加了一个背景通道，以使形状为(1,image_row, image_col,2)

的蒙版图像

img_mask = io.imread(os.path.join(raw_data_path, image_mask_name))
img_mask = img_mask//255
img_mask_background = 1-img_mask

加载从上面生成的npy文件后，我将训练集的原始图像标准化

imgs_train = np.load(os.path.join(train_data_path,"imgs_train.npy"))
imgs_mask_train =   np.load(os.path.join(train_data_path,"imgs_mask_train.npy"))

imgs_train = imgs_train.astype('float32')
mean = np.mean(imgs_train)  # mean for data centering
std = np.std(imgs_train)  # std for data normalization
imgs_train -= mean
imgs_train /= std

我按照implementation来训练模型。除了这个之外，我没有改变任何东西

self.learning_rate_node = tf.train.exponential_decay(learning_rate=learning_rate, 
                                                        global_step=global_step, 
                                                        decay_steps=training_iters,  
                                                    decay_rate=decay_rate, 
                                                    staircase=True)

我将其更改为

global_step = global_step*self.batch_size

纪元0 时代4 时代12 时代16