python - 非常基本的 Keras CNN，有 2 个类给出了莫名其妙的答案

Question

尝试使用 Keras/Theano 在二元分类问题上训练一个非常简单的 CNN。损失函数始终收敛于 8.0151 左右。参数/架构修改没有帮助。所以我做了一个非常简单的例子:新的输入数组，一个是全1，另一个全是0。没有骰子，同样的行为。我尝试了所有 1 和所有 -1，同样的事情。然后，全部为 0，随机。相同的。降低尺寸和深度，删除辍学，调整参数，相同。帮助!发生了什么事？

import numpy

A = []
B = []

for j in range(100):
    npa = numpy.array([[1 for j in range(100)] for i in range(100)])
    A.append(npa.reshape(1,npa.shape[0],npa.shape[1]))

for j in range(100):
    npa = numpy.array([[0 for j in range(100)] for i in range(100)])
    B.append(npa.reshape(1,npa.shape[0],npa.shape[1]))

trainXA = []
trainXB = []
testXA = []
testXB = []

for j in range(len(A)):
    if ((j+2) % 7) != 0:
        trainXA.append(A[j])
        trainXB.append(B[j])
    else:
        testXA.append(A[j])
        testXB.append(B[j])

X_train = numpy.array(trainXA + trainXB)
X_test = numpy.array(testXA + testXB)

Y_train = numpy.array([[1,0] for i in range(len(X_train)/2)] + [[0,1] for i in range(len(X_train)/2)])

import random

def jumblelists(C,D):
    outC = []
    outD = []
    for j in range(len(C)):
        newpos = int(random.random()*(len(outC)+1))
        outC = outC[:newpos]+[C[j]]+outC[newpos:]
        outD = outD[:newpos]+[D[j]]+outD[newpos:]
    return numpy.array(outC),numpy.array(outD)

X_train,Y_train = jumblelists(X_train,Y_train)

from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation, Flatten
from keras.layers import Convolution2D, MaxPooling2D
from keras.optimizers import SGD

model = Sequential()
model.add(Convolution2D(32, 3, 3, border_mode='valid', input_shape=(1,100,100)))
model.add(Activation('relu'))
model.add(Convolution2D(32, 3, 3))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Flatten())
model.add(Dense(128))
model.add(Activation('relu'))

model.add(Dense(2))
model.add(Activation('softmax'))

sgd = SGD(lr=0.1, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss='binary_crossentropy', optimizer=sgd)

model.fit(X_train, Y_train, batch_size=32, nb_epoch=10)

Answer 1

你的学习率设置得太高，可能会导致权重和梯度爆炸。只需更改

sgd = SGD(lr=0.1, decay=1e-6, momentum=0.9, nesterov=True)

至

sgd = SGD(lr=0.001, decay=1e-6, momentum=0.9, nesterov=True)

您可能还想尝试不同的优化器。使用默认设置的 Adam 通常是一个不错的选择。