Question

我从CNTK的培训师/进步作家那里得到了输出，告诉我，我的准确度> 99％，而实际上大约是0.5％。根据{{3}}度量标准的确意味着损失，但是得知我不正确地使用CNTK的训练器/损失函数并不奇怪，这并不奇怪。

这是下面示例的示例输出（与我的模型不同，但产生了相似的效果）：

-------------------------------------------------------------------
Finished Epoch[1 of 20]: [Training] loss = 2.302585 * 100, metric = 48.10% * 100 0.802s (124.7 samples/s);
Accuracy % 11.0
Finished Epoch[2 of 20]: [Training] loss = 2.302514 * 100, metric = 49.82% * 100 0.043s (2325.6 samples/s);
Accuracy % 15.0

这是一个最小的工作示例，它演示了真实准确度与度量标准所报告的真实度之间的差异。我编写了一个小的精度函数来对其进行测试，我敢肯定它可以正确实现。

import cntk as C
import numpy as np
from cntk.ops import relu
from cntk.layers import Dense, Convolution2D

minibatchSize = 100

def printAccuracy(net, X, Y):
    outs = net(X)
    pred = np.argmax(Y, 1)
    indx = np.argmax(outs, 1)
    same = pred == indx
    print("Accuracy %", np.sum(same)/minibatchSize*100)


outputs = 10

input_var = C.input_variable((7, 19, 19), name='features')
label_var = C.input_variable((outputs))

epochs = 20

cc = C.layers.Convolution2D((3,3), 64, activation=relu)(input_var)
net = C.layers.Dense(outputs)(cc)

loss = C.cross_entropy_with_softmax(net, label_var)
pe = C.classification_error(net, label_var)    

learner = C.adam(net.parameters, 0.0018, 0.9, minibatch_size=minibatchSize)

progressPrinter = C.logging.ProgressPrinter(tag='Training', num_epochs=epochs)
trainer = C.Trainer(net, (loss, pe), learner, progressPrinter)    

for i in range(epochs):
    X = np.zeros((minibatchSize, 7, 19, 19), dtype=np.float32)
    Y = np.random.rand(minibatchSize, outputs)

    trainer.train_minibatch({input_var : X, label_var : Y})    
    trainer.summarize_training_progress()
    printAccuracy(net, X, Y)

Answer 1

问题是标签var数据不具有预期的属性。

对于cross_entropy_with_softmax，它必须表示概率分布，通常是单编码。

对于classification_error，它必须是一键编码。

因此，如果您更改Y数据，使其每行中的数据正好为1，那么您将获得精度= 100％-指标。

CNTK“度量标准”显示分类错误的准确性

1 个答案: