Question

我有160个类的大约160k图像的数据集，我试图使用CNN对它们进行分类。对20个时期的120k图像进行训练我从损失~4.9和val_loss~4.6开始，在20个时期后改进到约3.3和3.2。我真的试着阅读Keras的文档并理解这意味着什么，但我不能，所以我问是否有人会在我的模型中向我解释这对我的模型意味着什么。我的意思是损失分数代表什么？它对模型说了什么？

num_classes = 154
batch_size = 64
input_shape = (50,50,3)
epochs = 20

X, y = load_data()

# input image dimensions
img_rows, img_cols = 50, 50

x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
x_train /= 255
x_test /= 255

# convert class vectors to binary class matrices
y_train = keras.utils.to_categorical(y_train, num_classes)
y_test = keras.utils.to_categorical(y_test, num_classes)

model = Sequential()
model.add(Conv2D(64, kernel_size=(5, 5),
                 activation='relu',
                 padding = 'same',
                 input_shape=input_shape))
model.add(Conv2D(128, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(3, 3)))
model.add(Dropout(0.20))
model.add(Conv2D(128, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(num_classes, activation='softmax'))

model.compile(loss=keras.losses.categorical_crossentropy,
              optimizer=keras.optimizers.Adadelta(),
              metrics=['accuracy'])

Answer 1

我认为首先在CNN上观看一些教程是有帮助的。基本上，您希望您的损失随着训练时期而减少，这是您的情况所观察到的。通常，我们会考虑在整个培训期间两种损失是如何发展的。观察列车和验证损失如何变化有助于我们了解模型是否过度拟合。您可以查看This链接以获取基本解释，以检测过度拟合。

理想情况下，您希望通过迭代减少训练和测试损失。它衡量模型在分类中所犯的错误（随着准确度的提高，您希望损失减少）

损失＆amp; kera CNN的val_loss

1 个答案: