Question

我正在使用Keras构建一个多类（3类）图像分类器。我使用大约2000张图像（1500次训练/ 500次验证）的数据集训练了以下模型。

batch_size = 128
nb_classes = 3
nb_epoch = 25
img_rows, img_cols = 128, 128
input_shape = (1, img_rows, img_cols)

Y_train = np_utils.to_categorical(y_train, nb_classes)
Y_test = np_utils.to_categorical(y_test, nb_classes)

model = Sequential()
model.add(Convolution2D(32, 5, 5, border_mode='same', input_shape=input_shape))
model.add(Activation('relu'))
model.add(Convolution2D(64, 5, 5, border_mode='same'))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.2))
model.add(Flatten()) 
model.add(Dense(128))
model.add(Activation('relu'))
model.add(Dropout(0.25))
model.add(Dense(nb_classes, activation='softmax'))

lrate = 0.001
decay = lrate/nb_epoch
sgd = SGD(lr=lrate, momentum=0.9, decay=decay, nesterov=False)
model.compile(loss='categorical_crossentropy',
              optimizer=sgd,
              metrics=['accuracy'])

X_train = X_train.astype('float32')
X_test = X_test.astype('float32')
X_train /= 255
X_test /= 255
history = model.fit(X_train, Y_train,
              batch_size=batch_size,
              nb_epoch=nb_epoch,
              validation_data=(X_test, Y_test),
              shuffle=True,
              callbacks=early_stopping)

这些是培训/验证accuracy和loss的数据。

我获得了95％的训练准确率，92％的验证准确率和94％的另一个单独的图像块（除了2000的数据集）。

因此，该模型似乎合理地分类。但是，我的问题是输入图像的预测概率（使用函数 predict_proba（）获得）总是1.0或0.0。同样地，如果我作为输入给出一个不属于3个类中的任何一个的图像，我会期望一些低概率（在最相似的类中可能更高），但我仍然在其中一个类中得到1.0并且0.0在其他人。

可能导致什么？在我看来，没有过度拟合。这个型号有什么问题吗？可能是每个类的图像在它们之间非常相似，所以模型很快就对它的决定过于自信了吗？

Keras模型分类良好但预测概率始终为1.0或0.0

0 个答案: