在我训练模型以使用每个类别的 2800 个图像来预测 24 个类别的标签并获取 5000 个图像进行验证后,我运行了一些测试来查看标签预测的质量,我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,除了第 19 类之外,所有类都很好,在 1000 个用于测试的图像中,没有预测为 19
有人有解决办法吗?
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()
这是优化器和训练器:
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)
最佳答案
- 我认为您的数据集是均衡的?
- 您能否上传您的损失/准确率曲线?
- 您是否尝试过其他优化器?您的
RMSprop
learning_rate 低于默认值,并且网络相当浅。 - 您可以分享这些数据吗?您至少确定那里没有矛盾的知识吗?
read_img = cv2.imread('test-images/' + file + '/' + img)
请不要自行连接路径。一旦您将此模型推送到某个基于 Linux 的云,您就会遇到麻烦。检查pathlib .
- 尝试使用默认参数运行
adam
model.add(Dense(1024,activation='relu'))
- 它相当大,后面只有 24 个标签。尝试更小的值,例如 240。- kernel_size 看起来很奇怪,转换内核不应该很奇怪吗?尝试kernel_size=3
- 尝试添加一些正则化
关于python - keras CNN 模型预测良好,但只有一个标签无法预测,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/58910748/