python - Tensorflow - 仅模型预测 6 个类别中的 2 个类别

Question

我正在构建一个 CNN，用 50x50 像素灰度图像(每类 1400 个)对 6 个类别进行分类。在训练模型并评估损失和准确度后，一切似乎都运行良好，训练准确度约为 98%，损失也有所下降到 3.0，但是当根据每个类别的测试数据评估模型时，模型相差甚远。我的类(class)是面部表情图像: 1)愤怒 2)恐惧 3)快乐 4)中性 5)悲伤 6)惊喜

这是 Jupyter 笔记本:https://www.floydhub.com/arse123/projects/cnn-1/20/code/train_edge.ipynb

例如，当我为每个类别提供 350 个测试图像时，仅预测愤怒和惊讶类别。

    TEST IMAGES                   RESULTS
    Angry -    it classified 76 angry, and 273 surprise

    Fear -     it classified 8 angry and 342 surprise

    Happy -    12 angry and 338 surprise

    Neutral -   350 surprise

    Sad -       22 angry and 328 surprise

    Surprise - a full 350/350 classified for this one.. 

很明显，对于愤怒和惊讶存在一些偏见，因为其他图像都没有被分类过一次。

当我跑acc.eval({x: test_images, y: test_labels, is_training : False})时(每个类有 2100 个图像以及相应的图像)训练后我的准确率达到了 82%，所以我不知道这是怎么发生的。该模型是否有可能一直在这两个类别上进行训练？

@NOTE:图像和标签是一个热编码，也是随机洗牌，实现批量归一化

<小时/> 更新

<小时/>

我重新训练了模型，它具有相同的效果，但具有不同的类别。这次它更倾向于悲伤和惊讶，而不是愤怒和惊讶。 结果如下:

Angry - Sad 259 and surprise 75
Fear - Sad 118 and surprise 218 (some classifications missing here for some reason)
Happy - Sad 167 times and suprise 160 times (same again, missing some classifications)
Neutral - sad 94 and surprise 249
Sad - sad 211 and surprise 122
Surprise - Sad 284 and surprise 52

Answer 1

代码中有一些问题，但最重要的是，由于某种原因，当 is_training = False 时它没有表现。如果您设置is_training = True即使没有训练，那么它也会给出可接受的结果。所以训练没问题，但评估运行不好。

为什么会出现这个问题，我现在无法回答，但可能值得调查。

在 Jupyter Notebook 中附加固定代码。我改变了很多小事情，比如你采用了​​已经 Softmaxed 值的 Softmax，修复了这个问题，改变了随机洗牌以使用 numpy，改变了测试图像的加载以在加载时立即调整大小，等等。还有很多调试打印正在进行中，对此表示抱歉。 :)

看起来很合理，验证准确度为 88%(训练准确度为 96.59%)。 (也改为 10 epoch。)

train_edge_v2.ipynb