为分类找到合适的 CNN 架构

【问题标题】：Finding the suitable CNN architecture for the calssification为分类找到合适的 CNN 架构
【发布时间】：2018-07-08 19:46:28
【问题描述】：

我想使用卷积神经网络 (CNN) 在两类图像之间进行分类。我构建了几个 CNN 架构，但我总是得到相同的结果；网络总是将所有案例分类为第二类样本。因此，我总是得到 50% 的留一法准确率。数据在每个类别的样本数量方面是平衡的（第 1 类中的 16 个，第 2 类中的 16 个）。能否请您澄清一下这是什么意思。

【问题讨论】：

每个类别的 16 张图像听起来对于从头开始训练 CNN 的训练集太小了。你能得到更多的样品吗？
@paisanco 不幸的是，我不能。我故意提到了集合的大小。但是，我读到 CNN 更适合小型训练集。

标签： machine-learning deep-learning classification conv-neural-network

【解决方案1】：

由于训练样本数量如此之少，您的 CNN 模型很可能会过度拟合数据，从而提供良好的训练准确度和最差的测试准确度。

否则，您的模型可能会一直偏斜地预测同一类。

以下是您可以尝试的一些解决方案：

1) 正如您所评论的，如果您无法获得更多图像，请尝试通过修改现有图像来创建新图像。例如：假设您有 16 张猫的图像（猫是类）。您可以裁剪猫并将其粘贴到不同的背景中，尝试改变亮度、强度等，尝试旋转、平移操作等。

这将帮助您创建一个好的训练集。

2) 尝试创建一个较小的模型（一层或两层）并检查它是否能提高您的准确性。

3) 您可以使用良好的预训练模型进行迁移学习，因为与从基础创建模型相比，它可以很好地学习。

【讨论】：