Question

我是ML的新手，我正在尝试为某些图像拟合模型以进行二进制分类。我为这两个类别中的每个类别都有550张图像的数据集，并且我使用每个类别的100张图像进行验证我使用数据和张量板的增强来可视化准确度和损失。我的损失函数是'binary_crossentropy'并且我使用'rmsprop'作为优化器。我在此处编写代码的图像是我的精度仍然在49到52之间前3个时期上升到第5个时期的95％，但在第8个时期下降到50％，这个上升和下降也发生在下一个时期。我也提供了张量板直到第8个时期的图像。 kaggle猫和狗的分类效果很好，准确度超过86％。我认为我的问题出在我的数据上，因为每个类别中的图像都非常不同，但有时同一类别中的我不能说两个图像是否不相同（虽然不是，但是非常相似）。如果有人可以回答我该怎么办，我将不胜感激。

我尝试添加和删除一些图层，但是没有用

我试图更改批量大小，但我认为这并不重要，但仍然会发生相同的事情。

我也尝试更改输入尺寸。我的图像实际上是720 * 500 bu，我在这里尝试了不同的输入。它不起作用：

  model = Sequential()
  model.add(Conv2D(32, (3, 3),input_shape=(300,300,3)))
  model.add(Activation('relu'))
  model.add(MaxPooling2D(pool_size=(2, 2)))
  model.add(Conv2D(32, (3, 3)))
  model.add(Activation('relu'))
  model.add(MaxPooling2D(pool_size=(2, 2)))
  model.add(Conv2D(64, (3, 3)))
  model.add(Activation('relu'))
  model.add(MaxPooling2D(pool_size=(2, 2)))
  model.add(Flatten()) 
  model.add(Dense(64))
  model.add(Activation('relu'))
  model.add(Dropout(0.5))
  model.add(Dense(1))
  model.add(Activation('sigmoid'))
  model.compile(loss='binary_crossentropy',optimizer='rmsprop',metrics=['accuracy'])
  batch_size = 10
  train_datagen = ImageDataGenerator(
          rescale=1./255,
          shear_range=0.2,
          zoom_range=0.2,
          horizontal_flip=True)

  test_datagen = ImageDataGenerator(rescale=1./255)

  train_generator = 
           train_datagen.flow_from_directory('castData/train-set', 
           batch_size=batch_size,
           class_mode='binary') 

  validation_generator = test_datagen.flow_from_directory(,
          target_size=(300, 300),
          batch_size=batch_size,
          class_mode='binary')

   model.fit_generator(
          train_generator,
          steps_per_epoch=1075 ,
          epochs=50,
          validation_data=validation_generator,validation_steps=200,
          callbacks=[tensorboard_cb])

Answer 1

确实是奇怪的行为。

我不会使用平坦层，而是使用GlobalAveragePooling2D或GlobalMaxPooling2D

from keras.layers import GlobalAveragePooling2D
model = Sequential()
model.add(Conv2D(32, (3, 3),input_shape=(300,300,3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(32, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(64, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(GlobalAveragePooling2D()) 
model.add(Dense(64))
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(1))
model.add(Activation('sigmoid'))

如果这行不通，请尝试降低学习率

from keras.optimizers import RMSprop
model.compile(loss='binary_crossentropy',optimizer=RMSprop(lr=0.0001),metrics=['accuracy'])

我的模型的训练/验证准确性异常

1 个答案: