Question

在训练模型以使用每个类别的2800张图像预测24个类别的标签并获取5000张图像进行验证后，我运行了一些测试以查看标签的预测质量，然后设计了一个程序来获取所有图像在文件夹测试和预测标签中，所有类别的效果都很好，除了用于测试的1000张图像中的第19类没有预测为19

任何人都有解决方案

这是模型架构：

model = Sequential()

model.add(Conv2D(filters=32, kernel_size=2,padding='same',activation='relu',input_shape=(32,32,1)))

model.add(MaxPooling2D(pool_size=2))


model.add(Conv2D(filters=64, kernel_size=2, padding='same', activation='relu'))

model.add(MaxPooling2D(pool_size=2))

model.add(Flatten())

model.add(Dense(1024, activation='relu'))

model.add(Dropout(0.2))

model.add(Dense(24, activation='softmax'))

model.summary()

这是优化程序和培训师：

optimizer = rmsprop(learning_rate=0.0001)

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

checkpointer = ModelCheckpoint(filepath='CNN_newData.hdf5',verbose=1,
                               save_best_only=True)
hist = model.fit(x_train,y_train,batch_size=128,epochs=100,
                 validation_data=(x_valid,y_valid),callbacks=[checkpointer],
                 verbose=2,shuffle=True)

这是为预测准备的图像的方式：

  for img in images:

            read_img = cv2.imread('test-images/' + file + '/' + img)
            read_img = cv2.cvtColor(read_img,cv2.COLOR_RGB2GRAY)
            read_img = read_img.reshape( -1,32, 32, 1)
            read_img = read_img.astype('float32')/255
            maxind = model.predict_classes(read_img)

Answer 1

我认为您的数据集均衡吗？
能否请您上传损失/准确性曲线？
您是否尝试过其他优化器？您的RMSprop learning_rate 低于默认值，并且很浅。
您是否可以共享数据？您至少可以确定，那里没有矛盾的知识吗？

read_img = cv2.imread（'test-images /'+文件+'/'+ img）

请不要自己连接路径。一旦将这种模型推到基于Linux的云中，就会遇到麻烦。选中pathlib。

尝试使用默认参数运行adam
model.add(Dense(1024, activation='relu'))-后面只有24个标签，它很大。尝试较小的东西，例如240。
kernel_size 看起来很奇怪，转换内核不应该是奇数吗？尝试 kernel_size = 3
尝试添加一些正则化

keras CNN模型预测很好，但只有一个标签不能预测

1 个答案: