如何提高有偏见的 CNN 模型性能？（Keras，张量流）答案

【问题标题】：How can I improve a biased CNN model performance ? (Keras, Tensorflow)如何提高有偏见的 CNN 模型性能？（Keras，张量流）
【发布时间】：2019-04-15 14:58:16
【问题描述】：

模型只为所有测试图像生成一个输出，尽管测试集具有所有可能的类。

我已经尝试过使用不同的优化器和损失函数。

model = tf.keras.models.Sequential([
    tf.keras.layers.Conv2D(64, (3, 3), input_shape=x.shape[1:], activation='relu'),
    tf.keras.layers.MaxPooling2D(pool_size=(2, 2)),
    tf.keras.layers.Conv2D(64, (3, 3), activation='relu'),
    tf.keras.layers.MaxPooling2D(pool_size=(2, 2)),
    tf.keras.layers.Conv2D(64, (3, 3), activation='relu'),
    tf.keras.layers.MaxPooling2D(pool_size=(2, 2)),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(512, activation='relu'),
    tf.keras.layers.Dense(1, activation='sigmoid')
])
model.compile(optimizer="adam", loss="binary_crossentropy", metrics=["accuracy"])
model.fit(x, y, epochs=10, batch_size=32)

预期结果：预测给定图像的寄生或未感染样本。

实际结果：预测总是相同的类。所有图像都被寄生或所有图像未感染。

【问题讨论】：

您需要添加更多详细信息，例如每个班级有多少张图片、图片大小等。
你是如何测试分类器的？训练和验证的准确率是多少？

标签： python-3.x tensorflow machine-learning keras deep-learning

【解决方案1】：

tf.keras.layers.Dense(1, activation='sigmoid')

您也可以通过将其视为分类问题以另一种方式进行处理，因此您的代码应该像这样 tf.keras.layers.Dense(2, activation=' softmax') 并且损失应该是分类交叉熵。

问题：您的模型似乎是一个更简单的模型，它无法泛化数据以进行预测，而是使用预训练模型并在数据较少时使用特征提取和微调方法。希望这能帮助你好运：

【讨论】：

不。当我们使用 sigmoid 函数时，神经元的数量为 1，因为它给出的值介于 0-1 之间。它主要用于二进制分类。 PS：我也试过这样做。
我认为你应该在密集层和类数为 2 之后使用 softmax 作为激活函数
您在回答中已经说过了，这是不正确的；对于二元分类问题，loss="binary_crossentropy" 和 activation='sigmoid' 的组合是完全有效的，也是最常见的选择