当我的 CNN 的误报为零时，这意味着什么？答案

【问题标题】：What does it mean when my CNN has zero false negatives?当我的 CNN 的误报为零时，这意味着什么？
【发布时间】：2021-03-31 09:11:42
【问题描述】：

我正在使用卷积神经网络对具有二进制标签（0 或 1）的图像数据集进行分类。在训练网络时，每个 epoch 最终都有零假阴性，这是否意味着我的网络只是将所有内容分类为 1，甚至不费心去匹配 0？如果是这样，我该如何对抗？数据集是不均匀的，但有更多的 0。对于训练集，0:1 的比例约为 8000:5000，而对于验证集，比例为 700:500。

【问题讨论】：

"当我的 CNN 的误报为零时，这意味着什么？" 我认为这意味着您做得很好。现在您可以检查数据集中的每个项目，看看它是否准确。
可能是。有多少误报？
是的，就是这样，有很多误报（数千个）。准确率约为 40 %。

标签： tensorflow keras conv-neural-network false-positive

【解决方案1】：

假阴性为零听起来很可疑。你的准确率是多少？混淆矩阵是什么样子的？无论如何，我建议为不平衡的训练数据引入类权重

【讨论】：

准确率只有40%左右，误报很多。感谢您对班级权重的建议，这是个好主意。
好的，我认为那是有问题的。图片有多大？您使用什么激活函数进行分类？哪个损失？您的网络架构是什么样的？我想我们只有知道这些事情才能帮助你......
看起来是这样，是的。图像都被调整为 320x320（我使用来自数据帧的流生成它们），批量大小为 64，我使用二进制交叉熵作为损失函数，使用 softmax 作为激活函数，架构是 VGG（所有它的层是可训练的=false），然后它的输出被展平，通过 3 个连续的 Dense(128) 层，然后是 Dense(1) 输出层。这些添加的是可训练的
听起来还不错，但为什么不让 CNN 层可训练呢？
我想如果我使用的是预训练的 VGG 模型，那么我只需要训练我之后添加的位。也许这在概念上并不正确，这是我第一次接触迁移学习。你认为我应该让所有层都训练，或者只是后面的一些 VGG 层加上我自己的层？虽然，我已经尝试过了，仍然有零假阴性。