我是机器学习的新手，这是我在StackOverflow上的第一篇文章。 我想培训CNN，以便能够将我的脸与其他人区分开来。 我的模型在前三个时期之后就停止了改进。
我在网上数据库中找到了一些用于机器学习的面孔，然后居中，灰度和裁剪它们。我对我脸上的摄像头拍摄的照片做了同样的事情。
NN的数据如下所示：
| input | output | | |---------------------- |-------- |--- | | face of me | 0 | 1 | | face of someone else | 1 | 0 |
到目前为止一切顺利。
然后我尝试使用以下结构训练CNN：
model= Sequential()
# sort out the input layer later
model.add(Conv2D(32,3,3, activation='relu', input_shape=(100,100,3)))
model.add(MaxPooling2D((2,2)))
model.add(Conv2D(12,3,3, activation='relu'))
model.add(MaxPooling2D((2,2)))
model.add(Flatten())
model.add(Dense(600, activation='relu'))
model.add(Dense(60, activation='relu'))
#model.add(Dropout(p=0.2))
model.add(Dense(2, activation='softmax'))
model.summary()
epochs = 100
lrate = 0.01
decay = lrate/epochs
sgd = SGD(lr=lrate, momentum=0.9, decay=decay, nesterov=False)
#%%
model.compile(loss='categorical_crossentropy', optimizer="adam", metrics=['accuracy'])
我尝试了不同的优化器（sdg，adam，rmsprop）并对CNN的其他参数进行了一些尝试，但每次模型只是在前几个时期之后停止减少损失。
Epoch 1/100
2176/2176 [==============================] - 55s 25ms/step - loss: 1.8043 - acc: 0.8869
Epoch 2/100
2176/2176 [==============================] - 56s 26ms/step - loss: 1.7037 - acc: 0.8943
Epoch 3/100
2176/2176 [==============================] - 57s 26ms/step - loss: 1.7037 - acc: 0.8943
Epoch 4/100
此示例中的纪元2之后的损失没有改善。
你知道为什么会出现这种情况吗？
答案 0 :(得分：0)
这里有不同的事情。
正如评论中已经讨论过的，您的训练集包含2941个阴性样本（来自其他人的面部）和308个阳性样本（带有脸部的图像）。因此，总是为负面类别投票的分类器得到3249个样本中的2941个，即90.5％。 您应该记住这些信息，因为您的89.4％暗示您的网络没有学到任何有价值的东西。
你可以试试：
关于这个主题存在大量的文献和教程，所以请稍微看一下。
您在评论中提到，在使用平衡训练数据后，损失仍然没有减少。这暗示您的模型的容量不够高，或者您的模型没有为该任务设计好。
图像处理任务存在许多不同的网络结构，具体取决于任务的确切内容。例如，用于进行像素分类和实例分割的网络（如Mask RCNN）与用于进行人脸识别的网络（如FaceNet）看起来不同。即使我们只关注一项任务（在这个/你的情况下：人脸识别），你发现的网络结构看起来会有很大不同。
那是什么意思？为特定任务构建神经网络并非易事，并且要预测哪些结构适合哪项任务并不容易。为了找到合适的结构，经常需要进行大量的反复试验。
模型容量描述了模型的“强大”程度。对此没有严格的定义，但您可以这样思考：不同的任务可能更难或更容易解决。某个模型只能解决“足够容易”的问题，而对于更困难的问题，模型只能表现出较差的性能。模型容量通常与网络设计/结构密切相关。
这对你有什么帮助？好吧，看看执行相同任务的不同网络结构，并了解为什么使用某些构建块以及它们有什么用处。然后，您可以尝试重建此结构并进行实验。一个好的起点可能是this或this人脸识别教程。