Question

我在一堆我自己的图像数据上运行卷积神经网络（this one），其形状（通道数，高度，宽度）=（3,30,30）。我有76960个训练样本，19240个测试样本，共有39个类。最后几段代码是：

# Train the model using Stochastic grad descent + momentum
sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
cnn.compile(loss='categorical_crossentropy',
             optimizer=sgd,
             metrics=['accuracy'])


batch_size = 128
nb_epoch = 50

cnn.fit(x_train, y_train,
        batch_size = batch_size,
        nb_epoch = nb_epoch,
        validation_data=(x_test, y_test),
       shuffle=True)

训练损失和准确度在时期内发生变化，但验证准确度仅从第1纪元到第2纪元（从0.3387到0.3357）发生变化，然后一直保持在0.3357。

我尝试过改变批量大小（32,128或256），learning rate（从1e-6到0.1，沿途乘以10）并尝试使用或不使用data normalization（基本的均值转移，并由sd划分）。这些都没有奏效。

Answer 1

你所坚持的准确率（33.5％）与落入统治阶级的例子百分比相同并非巧合（你说过＃34;约34％＆＃34 ; - 它几乎肯定是33.5％）。

问题是您没有规范化您的图像数据。如果您的像素值在1到255之间，那么您的模型将永远陷入困境，每次都会预测同一个类。要确认这种情况正在发生，请使用model.predict(x_train)并查看您的模型预测的内容。我打赌它完全统一，而且它总是占据34％数据的类。

要解决此问题，只需规范化您的数据 - 在开始训练模型之前将x_train除以255。

x_train = x_train/255.0

Keras卷积神经网络验证准确性不变

1 个答案: