Keras model.fit_generator() 提供 0.0% 的验证准确度

Question

我有一些按文件夹排列的训练图像、一些验证图像和一些测试图像。我正在使用图像生成器，因为没有。图片数量不够。我正在使用此代码：

height=150
width=150
channels=3
batch_size=32
seed=1337

# Training generator
train_datagen = ImageDataGenerator(rescale=1./255)
train_generator = train_datagen.flow_from_directory(train_dir,target_size=(height,width),batch_size=batch_size,seed=seed,class_mode='categorical')

# Test generator
test_datagen = ImageDataGenerator(rescale=1./255)
test_generator = test_datagen.flow_from_directory(test_dir,target_size=(height,width),batch_size=batch_size,seed=seed,class_mode='categorical')

并获得输出：

找到属于 5 个类别的 723 张图片。

找到属于 5 个类别的 144 张图片。

这是我的模型架构：

model = Sequential()
model.add(Conv2D(32, (3, 3), input_shape=(150, 150, 3)))
model.add(BatchNormalization())
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Conv2D(32, (3, 3)))
model.add(BatchNormalization())
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Conv2D(64, (3, 3)))
model.add(BatchNormalization())
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

# the model so far outputs 3D feature maps (height, width, features)
model.add(Flatten())  # this converts our 3D feature maps to 1D feature vectors
model.add(Dense(64))
model.add(BatchNormalization())
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(5))
model.add(Activation('softmax'))

model.compile(loss='categorical_crossentropy',optimizer='adam',metrics=['accuracy'])

这是.fit_generator()的代码：

history = model.fit_generator(
        train_generator,
        steps_per_epoch=2000 // 64,
        epochs=5,
        validation_data=test_generator,
        validation_steps=800 // 64)

在5 epochs 之后，我得到了70% 的accuracy，但不幸的是val_acc 和val_loss 仍然是0.00000e+00，我不太能弄明白。 我还有一个包含 20 张图片的文件夹，可以预测。如何在它们上使用.predict() 功能？我没有给出标签的.csv 文件。只有训练图像在单独的文件夹中给出，其名称基本上是图像的类。

Answer 1

首先修复：

steps_per_epoch = 2000 // 64 validation_steps = 800 // 64

到：

steps_per_epoch = 723 / batch_size validation_steps = 144 / batch_size

但是，这不是这里的问题。我在您的代码中没有看到问题。我什至在我的数据库上运行它，它运行良好。正如这里所说，检查test_dir 和train_dir 中的文件夹是否具有相同的名称。

关于predict_gen，阅读Keras的documentation。输出是每个验证图像的向量。如果你想要字符串标签，你可以使用生成器的类列表。所以像：

pred_Y = np.argmax(model.predict_generator(valid_gen),axis=1) predicted_labels = [valid_gen.classes[pred_y] for pred_y in pred_Y ]