【问题标题】:CNN Image Classification: It gives me always the same predictionCNN 图像分类:它总是给我相同的预测
【发布时间】:2020-08-17 13:59:50
【问题描述】:

我是这个领域的新手,还在学习,如果这被认为是愚蠢的问题,我很抱歉。 所以最近我尝试使用 Python 和 TensorFlow 学习图像分类。我遵循了一些视频的教程。但是我的代码有一些问题,因为当我尝试我的模型时,验证损失往往会增加,而我的验证准确度却一直在波动。当我试图预测我的样本图像时,它一直给我同样的预测。我的数据集中的图像共有 730 张图像。

这是我的预测代码:

import cv2
import tensorflow as tf

CATEGORIES = ["Bike", "Car"]
IMAGE_SIZE = 50

def prepare(filepath):
    image_array = cv2.imread(filepath, cv2.IMREAD_GRAYSCALE)
    image_array = image_array/255.0
    new_image_array = cv2.resize(image_array, (IMAGE_SIZE,IMAGE_SIZE))
    return new_image_array.reshape(-1, IMAGE_SIZE, IMAGE_SIZE, 1)

model = tf.keras.models.load_model("prototype.model")

prediction = model.predict([prepare('car.jpg')])
print( CATEGORIES[int(prediction[0][0])] )

非常感谢。

【问题讨论】:

  • 你是只运行 3 个 epoch 还是仅仅为了这个问题?
  • 您好,感谢您的宝贵时间。是的,我只运行了 3 个 epoch。我不知道它是否会影响我的输出。当我尝试运行它 10 个 epoch 时,它具有相同的模式,每 3 个 epoch 之后,我的验证损失往往会增加,而我的验证准确性是另一种方式。我训练的模型的总图像是 730 张图像。
  • 我不确定您的图像的复杂性,而且图像的数量似乎也很低,特别是如果有很大的变化,如果可能的话,请添加一个指向您的数据集的链接,如果它们是复杂,2 个卷积层可能还不够。如果合适,问题很可能是超参数。此外,在填写您的数据 arr 时,不要使用 pass 和 except,至少记录/打印您的异常
  • 我的数据集由汽车图像和自行车图像组成。这是我的数据集的链接:drive.google.com/drive/folders/… 我尝试过使用 4 个卷积层,但它一直给我相同的输出。我应该更换通行证吗?
  • 这段代码几乎一模一样,我想它应该可以帮助你解决问题:stackoverflow.com/questions/61555205/…

标签: python tensorflow neural-network jupyter-notebook conv-neural-network


【解决方案1】:

我曾经遇到过类似的问题。由于您需要将图像分类为“自行车”或“汽车”,请尝试将最终输出层更改为,

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

如果仍然不起作用,请尝试将sparse_categorical_crossentropy 改为您的loss。

【讨论】:

  • 您好,感谢您的宝贵时间。我现在正在使用您的建议,验证损失和验证准确度方向良好。验证损失不断变小,验证准确度更高,不再波动。但无论图像输入如何,我的预测总是给我相同的输出。
  • 你的准确度和验证准确度是多少
  • @bodrov,你能试试用np.argmax(prediction[0], axis=-1) 代替prediction[0][0]
  • 试试print(CATEGORIES[np.argmax(prediction[0])])它会给你猫
  • @AkashKarnatak 您最近对 print(CATEGORIES[np.argmax(prediction[0])]) 的建议帮助我解决了我的问题。现在它给了我正确的价值。非常感谢您的帮助。我真的很感谢你的帮助。也感谢你 PraktikKumar 的帮助。我现在放心了。
猜你喜欢
  • 1970-01-01
  • 1970-01-01
  • 2020-10-28
  • 1970-01-01
  • 1970-01-01
  • 2018-06-04
  • 2018-01-15
  • 2021-01-30
  • 2019-03-20
相关资源
最近更新 更多