【问题标题】:CNN Model is predicting only 1 classCNN 模型仅预测 1 个类别
【发布时间】:2018-12-14 14:09:06
【问题描述】:

我编写了一个用于二进制分类的 CNN 模型。我的数据集有偏差(56000 张图像的第 1 类和 3000 张图像的第 2 类)。 我正在测试 108 张图片(每类 54 张)。我的模型将每个图像都预测为第 1 类。你能告诉我我的模型有什么问题吗?我该如何改进它?

IMG_SIZE = 32
LR = 1e-1


convnet = input_data(shape=[None, IMG_SIZE, IMG_SIZE, 3], name='input')

convnet = conv_2d(convnet, 32, 5, activation='relu')
convnet = max_pool_2d(convnet, 5)

convnet = conv_2d(convnet, 64, 5, activation='relu')
convnet = max_pool_2d(convnet, 5)

convnet = conv_2d(convnet, 128, 5, activation='relu')
convnet = max_pool_2d(convnet, 5)

convnet = conv_2d(convnet, 64, 5, activation='relu')
convnet = max_pool_2d(convnet, 5)

convnet = conv_2d(convnet, 32, 5, activation='relu')
convnet = max_pool_2d(convnet, 5)

convnet = fully_connected(convnet, 1024, activation='relu')
convnet = dropout(convnet, 0.8)

convnet = fully_connected(convnet, 2, activation='softmax')
convnet = regression(convnet, optimizer='adam', learning_rate=LR, loss='categorical_crossentropy', name='targets')

model = tflearn.DNN(convnet, tensorboard_dir='/home/anas/Argentinadata/log')






train = training_data[:50000]
test =training_data[50000:]




X = np.array([i[0] for i in train]).reshape(-1,IMG_SIZE,IMG_SIZE,3)
Y = [i[1] for i in train]

test_x = np.array([i[0] for i in test]).reshape(-1,IMG_SIZE,IMG_SIZE,3)

test_y = [i[1] for i in test]



print(len(test_x))


print(len(X))

print(len(Y))


model.fit({'input': X}, {'targets': Y}, n_epoch=25, validation_set=({'input': test_x}, {'targets': test_y}),
            snapshot_step=500, show_metric=True, run_id=MODEL_NAME)

【问题讨论】:

    标签: python-3.x tensorflow neural-network conv-neural-network


    【解决方案1】:

    这只是意味着模型发现最容易预测一个类别并获得约 95% 的准确度。 尝试使用权重进行训练或复制第 2 类的图像,直到第 1 类和第 2 类有大约 50/50 的分割。

    【讨论】:

    • 是的,我尝试手动插入图像以使每个类别的图像相等,但现在我的模型将所有图像预测为第 2 类。
    • 增加epochs数量怎么样?也许 25 不足以让模型正确训练。它也可能有助于进一步预处理您的数据,例如减去平均像素值。每个epoch之后的错误率如何,也许这可能有助于找到解决方案
    • 增加 epoch 可能无济于事,因为当模型预测单个类时,它实际上是过度拟合的情况。
    【解决方案2】:

    在这种情况下,我会建议两件事(更直接的):

    1.使用batchsize=30 - 40

    1. 对您的数据进行洗牌,以在每批中包含更好的多样性

    您可以使用 tflearn 中的 data_utils 来实现此目的:

    tflearn.data_utils.shuffle (your_array)
    

    您可以查看文档here

    您可以做的另一件事是重新采样数据以包含更多少数类,但您没有足够大的父样本来实现这一点。所以可以尝试手动批量插入少数类的数据。

    您还可以在少数类上训练生成模型并生成一些数据点(渐进式),但这可能会导致少数类的过度拟合

    更复杂的解决方法是修改成本函数,如果少数类别的预测错误,您会分配更高的成本。

    【讨论】:

    • 是的,我尝试手动插入图像以使每个类的图像相等,但现在我的模型将所有图像预测为第 2 类。你能建议其他方法吗?
    • 请尝试使用更大的批量大小其次,不要将所有相似的类图像一起插入到特定的批量中,这是在用于训练之前将它们打乱。跨度>
    猜你喜欢
    • 2021-11-08
    • 2018-12-13
    • 1970-01-01
    • 1970-01-01
    • 2020-06-26
    • 2017-07-31
    • 2021-02-01
    • 1970-01-01
    • 2018-06-04
    相关资源
    最近更新 更多