如何提高图像分类模型中的模型精度答案

【问题标题】：how to increase model accuracy in image classification model如何提高图像分类模型中的模型精度
【发布时间】：2019-08-11 12:09:18
【问题描述】：

我正在做图像分类，我的训练准确度是 90，验证是 85，请帮助我如何提高准确度。这是我的模型。

model = Models.Sequential()

model.add(Layers.Conv2D(200,kernel_size=(3,3),activation='relu',input_shape=(64,64,3)))
model.add(Layers.Conv2D(180,kernel_size=(3,3),activation='relu'))
model.add(Layers.MaxPool2D(2,2))
model.add(Layers.Conv2D(180,kernel_size=(3,3),activation='relu'))
model.add(Layers.Conv2D(140,kernel_size=(3,3),activation='relu'))
model.add(Layers.Conv2D(100,kernel_size=(3,3),activation='relu'))
model.add(Layers.Conv2D(50,kernel_size=(3,3),activation='relu'))
model.add(Layers.MaxPool2D(2,2))
model.add(Layers.Flatten())
model.add(Layers.Dense(180,activation='relu'))
model.add(Layers.Dropout(rate=0.5))
model.add(Layers.Dense(100,activation='relu'))
model.add(Layers.Dropout(rate=0.5))
model.add(Layers.Dense(50,activation='relu'))
model.add(Layers.Dropout(rate=0.5))
model.add(Layers.Dense(6,activation='softmax'))

model.compile(optimizer=Optimizer.Adam(lr=0.0001),loss='sparse_categorical_crossentropy',metrics=['accuracy'])
SVG(model_to_dot(model).create(prog='dot', format='svg'))
Utils.plot_model(model,to_file='model.png',show_shapes=True)
model.summary()

这是我的时代：

Epoch 28/35
11923/11923 [==============================] - 58s 5ms/sample - loss: 0.3929 - acc: 0.8777 - val_loss: 0.4905 - val_acc: 0.8437
Epoch 29/35
11923/11923 [==============================] - 59s 5ms/sample - loss: 0.3621 - acc: 0.8849 - val_loss: 0.5938 - val_acc: 0.8394
Epoch 30/35
11923/11923 [==============================] - 58s 5ms/sample - loss: 0.3541 - acc: 0.8865 - val_loss: 0.4860 - val_acc: 0.8570
Epoch 31/35
11923/11923 [==============================] - 58s 5ms/sample - loss: 0.3460 - acc: 0.8909 - val_loss: 0.5066 - val_acc: 0.8450
Epoch 32/35
11923/11923 [==============================] - 58s 5ms/sample - loss: 0.3151 - acc: 0.9001 - val_loss: 0.5091 - val_acc: 0.8517
Epoch 33/35
11923/11923 [==============================] - 58s 5ms/sample - loss: 0.3184 - acc: 0.9025 - val_loss: 0.5097 - val_acc: 0.8431
Epoch 34/35
11923/11923 [==============================] - 58s 5ms/sample - loss: 0.3049 - acc: 0.9015 - val_loss: 0.5694 - val_acc: 0.8491
Epoch 35/35
11923/11923 [==============================] - 58s 5ms/sample - loss: 0.2896 - acc: 0.9085 - val_loss: 0.5293 - val_acc: 0.8464

请帮助我如何降低错误率。

【问题讨论】：

如果您搜索“提高深度学习模型准确性”这一短语，您会发现比我们在此处的答案中能够更好地解释它的资源。

标签： python image-processing keras deep-learning conv-neural-network

【解决方案1】：

没有唯一的答案。您应该测试并发现什么对您的问题有效。

你可以尝试一些事情：

增加辍学率
更改您的网络架构：移除层，添加更多层
修改训练参数：测试其他优化器、不同的 epoch 数和学习率
使用您的训练集：有时问题出在您的数据中，分析您的数据分布，确保您的训练集能够很好地代表您的类并且平衡良好。根据您的问题，您也可以测试数据增强技术。

我说过，没有唯一的答案，您必须找出适合您的情况的方法。处理深度学习就是不断地做实验，以达到解决问题的最佳模型。

【讨论】：

【解决方案2】：

尝试几种具有不同架构/超参数的模型，看看哪一个表现最好。

例如，这里是paper on the subject。作者使用进化的元启发式方法来构建最佳架构。

在比赛中，一种有用的技术是训练模型集合并对它们的预测进行平均。

【讨论】：