Question

我开发了CNN分类模型来对猫和狗进行分类。当我使用任何既不是猫也不是狗的图像（例如天空或椅子的图片）来测试模型时，它将它们预测为具有0.99概率的狗。知道为什么会这样吗？这是否意味着该模型过度使用？

模型定义如下，

from keras.layers import Input, Conv2D, Dense,MaxPooling2D, Flatten, Activation,Dense, Dropout, BatchNormalization
from keras.models import Model
from keras.backend import tf as ktf
import numpy as np
np.random.seed(123)

def mean_subtract(img):
    #img = T.set_subtensor(img[:,0,:,:],img[:,0,:,:] - 123.68)
    #img = T.set_subtensor(img[:,1,:,:],img[:,1,:,:] - 116.779)
    #img = T.set_subtensor(img[:,2,:,:],img[:,2,:,:] - 103.939)
    return img / 255.0


def cats_dogs_model():
    input_shape = (3, 256, 256)

    x_input = Input(input_shape)
    x = Lambda(mean_subtract, name='mean_subtraction')(x_input)

    # Conv Layer 1
    x = Convolution2D(96, 7, 7, subsample=(4,4), activation='relu',
                      name='conv_1', init='he_normal')(x_input) 
    x = MaxPooling2D((3, 3), strides=(2,2))(x)
    x = BatchNormalization()(x)
    x = ZeroPadding2D((2,2))(x)

    # Conv Layer 2
    x = Convolution2D(256, 5, 5, activation='relu', name='conv_2', init='he_normal')(x)
    x = MaxPooling2D((3, 3), strides=(2, 2))(x)
    x = BatchNormalization()(x)
    x = ZeroPadding2D((2, 2))(x)

    # Conv Layer 3
    x = Convolution2D(384, 3, 3, activation='relu',
                      name='conv_3', init='he_normal')(x)
    x = MaxPooling2D((3, 3), strides=(2, 2))(x)    
    x = Flatten()(x)
    x = Dense(512, activation="relu")(x)
    x = Dropout(0.5)(x)
    x = Dense(512, activation="relu")(x)
    x = Dropout(0.5)(x)

    predictions = Dense(2, activation="softmax")(x)
    return Model(inputs=x_input, outputs=predictions)

Answer 1

您在具有2个单位的输出图层上使用softmax激活，这使您的模型成为二元分类器。如果没有先前的数据集知识，很难给出正确的解决方案，但归结为两个可能的情况：

您的分类标签是互斥的（狗或猫，不是两者）。在这种情况下，您应该添加第三个类，前提是您的监督数据集可以相应地进行转换。
标签不是互斥的（两个类可以一次缺席或出现）。在这种情况下，您应该用sigmoid替换softmax，并确保您的数据集格式正确（对于多标签分类）。这相当于一次解决两个独立的二元分类问题。

CNN分类

1 个答案: