python - 预测取决于 Keras 中的批量大小

Question

我正在尝试使用 keras 对图像进行二进制分类。

我的 CNN 模型在训练数据上训练有素(训练准确率约为 90%，验证准确率约为 93%)。但是在训练期间，如果我设置 batch size=15000，我会得到 Figure I 输出，如果我设置 batch size=50000，我会得到 Figure II 作为输出。有人可以告诉我出了什么问题吗？预测不应该取决于批量大小，对吗？

我用于预测的代码:

y=model.predict_classes(补丁，batch_size=50000，verbose=1) y=y.reshape((256,256))

我的模型:-

model = Sequential()

model.add(Convolution2D(32, 3, 3, border_mode='same',
                        input_shape=(img_channels, img_rows, img_cols)))
model.add(Activation('relu'))
model.add(Convolution2D(32, 3, 3))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))

model.add(Convolution2D(64, 3, 3, border_mode='same'))
model.add(Activation('relu'))
model.add(Convolution2D(64, 3, 3))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))

model.add(Flatten())
model.add(Dense(512))
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(nb_classes))
model.add(Activation('softmax'))

# let's train the model using SGD + momentum (how original).
sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss='categorical_crossentropy',
              optimizer=sgd,
              metrics=['accuracy'])

Answer 1

Keras 在 predict 函数中自动标准化输入。标准化所需的统计数据是按批处理计算的——这就是为什么您的输出可能取决于批处理大小的原因。您可以通过以下方式解决此问题:

1. 如果 Keras > 1.0，您可以简单地在函数式 API 中定义您的模型，然后简单地将经过训练的函数应用于自标准化数据。
2. 如果您的模型经过训练 - 您可以将其恢复为 Theano 函数，并将其应用于自标准化数据。
3. 如果您的数据不是很大，您也可以简单地将批量大小设置为数据集中的示例数。

更新:这是第二种解决方案的代码:

import theano

input = model.layers[0].input # Gets input Theano tensor
output = model.layers[-1].output # Gets output Theano tensor
model_theano = theano.function(input, output) # Compiling theano function 

# Now model_theano is a function which behaves exactly like your classifier 

predicted_score = model_theano(example) # returns predicted_score for an example argument

现在，如果你想使用这个新的 theano_model，你应该自己标准化主要数据集(例如，通过减去图像中的每个像素的平均值并除以标准差)并应用 theano_model 以获得整个数据集的分数(您可以在遍历示例或使用 numpy.apply_along_axis 或 numpy.apply_over_axes 函数的循环中执行此操作)。

更新 2:为了使此解决方案有效更改

model.add(Dense(nb_classes))
model.add(Activation('softmax'))

到:

model.add(Dense(nb_classes, activation = "softmax"))