Question

我是刚开始使用卷积神经网络和keras。作为附带项目，我从棒球参考中刮擦了MLB球员的头像。对于每个玩家，我将其图像分成不同的块（15x15像素），然后随机将图像放回原处，并记录图像是否实际放在一起。我的目标是创建一个卷积神经网络，该卷积神经网络可以识别2张图像实际何时在一起。

我的输入数据是15x30x3（将2个15x15块放在一起以制作15x30图像），对于目标是1还是0，以判断2个图像是否实际在一起。

我的数据包括： 0.7186不匹配和 0.2813个比赛

我的模型结构如下：

model = Sequential()

model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(15,30,3)))
model.add(Conv2D(32, (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(1, activation='sigmoid'))

model.compile(loss='binary_crossentropy',
              optimizer='adam',
              metrics=['accuracy'])

model.fit(X_train, y_train, 
      batch_size=64, epochs=10, verbose=1)

结果是：

Epoch 1/10
136996/136996 [==============================] - 21s 154us/step - loss: 
4.5399 - acc: 0.7183 
Epoch 2/10
136996/136996 [==============================] - 16s 117us/step - loss: 
4.5369 - acc: 0.7185
Epoch 3/10
136996/136996 [==============================] - 16s 117us/step - loss: 
4.5355 - acc: 0.7186
Epoch 4/10
136996/136996 [==============================] - 16s 116us/step - loss: 
4.5354 - acc: 0.7186
Epoch 5/10
136996/136996 [==============================] - 16s 116us/step - loss: 
4.5393 - acc: 0.7184
Epoch 6/10
136996/136996 [==============================] - 16s 117us/step - loss: 
4.5373 - acc: 0.7185
Epoch 7/10
136996/136996 [==============================] - 16s 117us/step - loss: 
4.5369 - acc: 0.7185
Epoch 8/10
136996/136996 [==============================] - 16s 117us/step - loss: 
4.5374 - acc: 0.7185
Epoch 9/10
136996/136996 [==============================] - 16s 117us/step - loss: 
4.5374 - acc: 0.7185
Epoch 10/10
136996/136996 [==============================] - 16s 117us/step - loss: 
4.5360 - acc: 0.7186

如果我将输出层更改为 model.add（密集（2，激活='softmax'））并使用categorical_crossentropy作为损失，结果非常相似，并且仍然基本上预测了全零。我还摆弄了优化器。

请注意，准确性始终与我的数据集中不匹配的比例大致匹配。 IE总是预测为0。

我在做什么错了？

感谢您的所有输入。

Answer 1

与@dennlinger的注释一致，您应该检查类是否不平衡。如果是这样，请尝试使用类似数量的样本，或者您需要使用类权重。

在您的情况下，您有两个类别，可以像这样轻松计算权重：weight_0 = (total number of samples) / (samples with zero)和weight_1 = (total number of samples) / (samples with one)

然后，在class_weight函数中添加fit参数。您可以关注this answer

无论我使用哪种类型的激活函数，keras卷积神经网络都将预测全零

1 个答案: