Question

我是神经网络的新手，我在一些互联网博客的帮助下尝试了一个典型的第一个例子：猫或狗的图像分类。在训练了下面的神经网络之后，我试图找出一些猫/狗的随机图片，我在Google上找到了这些图片，这些图片既不在我的training_set也不在我的test_set中...我发现，有时网络给出正确的预测（识别一只狗当显示一只狗时，不幸的是有时是一个错误的预测，即我展示了一张猫的图片，网络预测了一只“狗”。我该如何处理这些错误？

将所有错误的图片添加到training_set或test_set并再次执行整个培训过程？或者是否有任何其他选项告诉网络它已做出错误预测并应调整其权重？

#Part 1 - Import
from keras.models import Sequential
from keras.layers import Conv2D
from keras.layers import MaxPooling2D
from keras.layers import Flatten
from keras.layers import Dense
#Part 2 – Build Network
classifier = Sequential()
classifier.add(Conv2D(32, (3, 3), input_shape = (64, 64, 3), activation = 'relu'))
classifier.add(MaxPooling2D(pool_size = (2, 2)))
classifier.add(Conv2D(32, (3, 3), activation = 'relu'))
classifier.add(MaxPooling2D(pool_size = (2, 2)))
classifier.add(Flatten())
classifier.add(Dense(units = 128, activation = 'relu'))
classifier.add(Dense(units = 1, activation = 'sigmoid'))
classifier.compile(optimizer = 'adam', loss = 'binary_crossentropy', metrics = ['accuracy'])
#Part 3 - Training
from keras.preprocessing.image import ImageDataGenerator
train_datagen = ImageDataGenerator(rescale = 1./255, shear_range = 0.2, zoom_range = 0.2, horizontal_flip = True)
test_datagen = ImageDataGenerator(rescale = 1./255)
training_set = train_datagen.flow_from_directory('C:/…/KNNDaten/training_set', target_size = (64, 64), batch_size = 32, class_mode = 'binary')
test_set = test_datagen.flow_from_directory('C:/…/KNNDaten/test_set', target_size = (64, 64), batch_size = 32, class_mode = 'binary')

classifier.fit_generator(training_set, steps_per_epoch = 8000, epochs = 25, validation_data = test_set, validation_steps = 2000)

#Part 4 – Saving Model and weights 
model_json = classifier.to_json()
with open("model1.json", "w") as json_file:
 json_file.write(model_json)
 classifier.save_weights("model1.h5")

# Part 5 - Making new predictions
import numpy as np
from keras.preprocessing import image
test_image = image.load_img('C:/… /KNNDaten/single_prediction/cat_or_dog_1.jpg', target_size = (64, 64))
test_image = image.img_to_array(test_image)
test_image = np.expand_dims(test_image, axis = 0)
result = classifier.predict(test_image)
training_set.class_indices
if result[0][0] == 1:
    prediction = 'dog'
else:
    prediction = 'cat'

print("Image contains: " + prediction);

目前，我的培训流程如下： Results of my training process: accuracy, ...

非常感谢你的帮助！

Answer 1

通常的过程是将错误预测的图像添加到训练数据集中，并使用随机权重或使用先前使用新图像和旧图像获得的权重来重新训练网络。

在训练网络时，您不需要使用随机weitghs，您可以使用之前的权重，这有时称为转移学习。重要的是，如果您尝试这样做，还要包括用于训练模型的原始图像，或者至少是其中的一部分，如果您不想过度拟合模型。

由于Dascienz使用数据增强技术的评论对于获得更好的概括也非常有用，例如添加新图像及其变体：旋转，平移，对称和重新缩放。

如何处理使用Keras构建和训练的神经网络中的错误预测？

1 个答案: