Question

我修改了https://www.tensorflow.org/get_started/mnist/pros/以将其构建为图像分割，而不是分类问题。输入是60x60下采样的MRI图像（重新成形为[1,3600]），输出是0到1范围的分段（阈值为0.5到二进制掩模）。当我运行它时，我在训练集中得到非常合理的分段和高骰子（0.99）。但是，测试集只达到0.8的骰子。这听起来像过度拟合，但模型非常简单：conv layer-max pool-conv layer-dropout-prediction。所以，只有3组权重和偏差，我不确定过度复杂是什么问题。对于正规化，我使用10％的辍学率。我尝试了50％的辍学，以及L1规范正规化 - 它没有产生任何影响。我最初使用300个图像作为训练集，184个作为测试集。高达740-740，它没有任何区别。测试组的骰子几乎完全坚持0.8。当我运行代码假装训练数据是测试数据时，我得到几乎相同（但不完全相同）的骰子。我非常感谢你的建议。

W_conv1 = weight_variable([5, 5, 1, 32])
b_conv1 = bias_variable([32])
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)

# Pooling layer - downsamples by 2X.
h_pool1 = max_pool_2x2(h_conv1)

# Second convolutional layer -- maps 32 feature maps to 64.
W_conv2 = weight_variable([5, 5, 32, 64])
b_conv2 = bias_variable([64])
h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)

# Second pooling layer.
h_pool2 = max_pool_2x2(h_conv2)

# Fully connected layer 1 -- after 2 round of downsampling, our 28x28 image
# is down to 7x7x64 feature maps -- maps this to 1024 features.
W_fc1 = weight_variable([15 * 15 * 64, 1024])
b_fc1 = bias_variable([1024])

h_pool2_flat = tf.reshape(h_pool2, [-1, 15*15*64])
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)

# Dropout - controls the complexity of the model, prevents co-adaptation of
# features.
keep_prob = tf.placeholder(tf.float32)
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)

# Map the 1024 features to 10 classes, one for each digit
W_fc2 = weight_variable([1024, 3600])
b_fc2 = bias_variable([3600])

y_conv = tf.matmul(h_fc1_drop, W_fc2) + b_fc2

P.S。：我的损失函数是均方差tf.reduce_mean（tf.reduce_mean（tf.multiply（y_-y_conv，y_-y_conv））），而不是明确的骰子。

Answer 1

确实过度拟合：如果您想比较训练样本的数量和参数的数量，参数的数量远远超过示例的数量。然而，即使过度拟合，我也不认为骰子0.8很低。

建议：您可能想了解完全卷积网络（FCN）。

简单Tensorflow CNN分割的测试集准确度很低

1 个答案: