python - 使用 keras 序列模型的分类准确性较差

Question

我正在尝试使用 keras 顺序模型和 tensorflow 构建一个 cnn 模型，以便将图像分为猫和狗两类。图像是从kaggle下载的。我已将图像存储在 csv 文件中作为训练和测试数据库。问题是我得到的准确度结果非常糟糕。这是我的代码的一部分。

我尝试使用 vgg16 调整我的模型，但准确性仍然很差。我增加了 epoch 的数量，但仍然没有改善

data_train = pd.read_csv('class_training_pixels.csv')
data_test = pd.read_csv('class_test_pixels.csv')
train_X, valid_X, train_label, valid_label = train_test_split(train_X, train_Y_one_hot, test_size=0.2, random_state=13)
train_X.shape,valid_X.shape,train_label.shape,valid_label.shape
test_X, valid2_X, test_label, valid2_label = train_test_split(test_X, test_Y_one_hot, test_size=0, random_state=13)
batch_size = 20
epochs = 10
num_classes = 2
from keras import backend
from keras import backend
backend.set_image_dim_ordering('tf')
fashion_model = Sequential()
fashion_model.add(Conv2D(32, kernel_size=(3, 3),activation='linear',padding='same',input_shape=(w,h,1)))
fashion_model.add(LeakyReLU(alpha=0.1))
fashion_model.add(MaxPooling2D((2, 2),padding='same'))
fashion_model.add(Dropout(0.25))
fashion_model.add(Conv2D(64, (3, 3), activation='linear',padding='same'))
fashion_model.add(LeakyReLU(alpha=0.1))
fashion_model.add(MaxPooling2D(pool_size=(2, 2),padding='same'))
fashion_model.add(Dropout(0.25))
fashion_model.add(Conv2D(128, (3, 3), activation='linear',padding='same'))
fashion_model.add(LeakyReLU(alpha=0.1))
fashion_model.add(MaxPooling2D(pool_size=(2, 2),padding='same'))
fashion_model.add(Dropout(0.4))
fashion_model.add(GlobalAveragePooling2D())
fashion_model.add(Dense(128, activation='linear'))
fashion_model.add(LeakyReLU(alpha=0.1))
fashion_model.add(Dropout(0.3))
fashion_model.add(Dense(num_classes, activation='softmax'))
fashion_model.compile(loss=keras.losses.categorical_crossentropy, optimizer=keras.optimizers.Adam(lr=.00001),metrics=['accuracy'])
fashion_model.summary()
fashion_train = fashion_model.fit(train_X, train_label, batch_size=batch_size,epochs=epochs,verbose=1,validation_data=(valid_X, valid_label))
val_loss, val_acc = fashion_model.evaluate(test_X, test_Y_one_hot, verbose=0)
print(val_acc, val_loss)
predicted_classes = fashion_model.predict_classes(x_test)
print(predicted_classes)

这是上一个纪元的结果

Epoch 10/10

20/99 [=====>........................] - ETA: 19s - loss: 0.6835 - acc: 0.5500
40/99 [===========>..................] - ETA: 14s - loss: 0.7079 - acc: 0.4250
60/99 [=================>............] - ETA: 9s - loss: 0.7014 - acc: 0.4833 
80/99 [=======================>......] - ETA: 4s - loss: 0.6957 - acc: 0.5125
99/99 [==============================] - 26s 267ms/step - loss: 0.6955 - acc: 0.5051 - val_loss: 0.6943 - val_acc: 0.4400

这里分别是准确率和损失:0.5 0.6918725371360779

Answer 1

您的激活存在问题 ->
该层是一个带有线性激活函数的Conv2D:

fashion_model.add(Conv2D(64, (3, 3), activation='linear',padding='same'))

这添加了另一个激活函数，即LeakyRelu:

fashion_model.add(LeakyReLU(alpha=0.1))

您必须选择其中之一。
我建议您删除 LeakyRelu 层，并通过 activation='relu' 更改 Conv2D 层内的激活函数。
此外，我认为您可以提高学习率，并使用 lr = 1e-3 或 lr = 1e-4。

更多想法

• Dropout 是一个很好的正则化层，可以防止过度拟合，但这不是这里的问题，首先构建一个没有它的模型，然后在需要时添加它。
• 不认为 GlobalAveragePooling2D() 在这里是个好主意，尝试用 Flatten() 层替换它。
• 如果数据集很大，请尝试增加batch_size
• 标准化图像有助于更好更快地收敛，因此请尝试使用 train_x = train_x/255.0 缩放输入数组

根据前面所述的所有想法，我只需修改您的实现就可以达到更高的准确性。