我正在尝试运行一个人群估计模型,该模型根据图像中的人数将图像分为三个不同的大类。 1200 张图像用于训练,其中 20% 用于验证。我使用 sentdex's tutorial on Youtube 作为参考将图像数据加载到模型中;我将图像作为 zip 文件加载、解压缩并根据它们所在的文件夹对它们进行分类。
我的问题是,每当我尝试训练模型时,我注意到损失和验证损失始终为 0,这导致模型没有完全训练并且验证准确度始终保持不变,如{{3 }}。我怎样才能让损失真正改变?我在实施方面做错了什么吗?
到目前为止,我尝试的是:
以下是迄今为止我的代码片段,显示了我的模型尝试:
import keras.backend as K
logdir = "logs/scalars/" + datetime.now().strftime("%Y%m%d-%H%M%S")
tensorboard_callback = keras.callbacks.TensorBoard(log_dir=logdir)
X = X/255.0
model = Sequential()
model.add(Conv2D(64, (3,3), input_shape = X.shape[1:])) #[1:] to skip the -1
model.add(Activation("relu"))
model.add(Conv2D(64, (3,3), input_shape = X.shape[1:])) #[1:] to skip the -1
model.add(Activation("relu"))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Conv2D(128, (3,3)))
model.add(Activation('relu'))
model.add(Conv2D(128, (3,3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Dropout(0.2))
model.add(Flatten())
model.add(Dense(128))
model.add(Activation('relu'))
#fully connected layer
model.add(Dense(1))
model.add(Activation('softmax'))
opt = keras.optimizers.Adam(lr=0.01)
model.compile(loss='categorical_crossentropy',
optimizer = opt,
metrics=['accuracy'])
model.fit(x_train, y_train, batch_size = 100, epochs = 30, validation_data = (x_val, y_val), callbacks=[tensorboard_callback], shuffle=True)
可以在 Colab here 上找到完整的代码。
答案 0 :(得分:0)
你的最后一层包含一个节点,所以你只输出一个数字。但是,您需要输出 3 个数字,因为您有 3 个类。这些输出中的每一个都对应于该特定类别的非归一化概率。 softmax之后,你得到归一化的概率分布。
答案 1 :(得分:0)
您有 3 个课程。因此更改代码
model.add(Dense(1))
到
model.addDense(3))
现在,如果您使用模型对图像进行预测,model.predict 将生成包含 3 个概率值的列表。这些概率的总和将是 1.0。模型的实际预测是列表中具有最高概率值的索引。 例如,如果 model.predict 的输出是 [.1, .7。 .2] 概率值为 0.7 的索引 1 是预测类别。您的类被索引为 0、1、2,因此模型预测类 1。您可以获得模型输出的预测类。用
预测class_index=np.argmax(model,predict(....))
某处你可能有一个类似的类列表
classes=['less_than 5', 'between 5 and 10', 'more than 10']
所以实际预测的类名是
predicted_class=classes[class_index]