模型精度停留在 0.2505。我的代码有什么问题？

Question

我正在尝试使用带有 FER2013 数据集的面部表情来制作情绪分类器。它包含 35887 个样本，每个样本有 2304 个特征和一个用于情绪的整数标签 0-6。当我使用形状为 (2304,1) 的 Conv1D 时，它实现了约 86% 的训练准确度，但在任何看不见的测试图像上表现不佳。所以我想为每个样本将其重塑为 (48,48,1) 并在其上使用 Conv2D。但是现在它只是在第二个 epoch 之后的训练中停留在 0.2505 并且永远不会增加。发生了什么事？

import pandas as pd
import numpy as np
from PIL import Image
import matplotlib.image as mpimg
from skimage import transform
import random
import matplotlib.pyplot as plt
from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D
from keras.layers import Activation, Dropout, Flatten, Dense

emotion = {0 : 'Angry', 1 : 'Disgust',2 : 'Fear',3 : 'Happy',
           4 : 'Sad',5 : 'Surprise',6 : 'Neutral'}
df=pd.read_csv('fer.csv')
faces=df.values[:,1]
faces=faces.tolist()
emos=df.values[:,0]

for i in range(len(faces)):
    faces[i]=[int(x) for x in faces[i].split()]
    emos[i]=int(emos[i])

faces=np.array(faces)
faces=transform.resize(faces, (35887,48,48))

faces=np.expand_dims(faces, axis=3)

model = Sequential()

model.add(Conv2D(48, (3,3), padding='same', input_shape=(48,48,1), activation='relu'))
model.add(Conv2D(48, (3,3), padding='same', activation='relu'))
model.add(MaxPooling2D(pool_size=(2,2)))

model.add(Conv2D(96, (3,3), padding='same', activation='relu'))
model.add(Conv2D(96, (3,3), padding='same', activation='relu'))
model.add(MaxPooling2D(pool_size=(2,2)))

model.add(Conv2D(192, (3,3), padding='same', activation='relu'))
model.add(Conv2D(192, (3,3), padding='same', activation='relu'))
model.add(MaxPooling2D(pool_size=(2,2)))

model.add(Conv2D(384, (3,3), padding='same', activation='relu'))
model.add(Conv2D(384, (3,3), padding='same', activation='relu'))
model.add(MaxPooling2D(pool_size=(2,2)))

model.add(Flatten())
model.add(Dense(384, activation='relu'))
model.add(Dropout(0.4))

model.add(Dense(192, activation='relu'))
model.add(Dropout(0.4))

model.add(Dense(96, activation='relu'))
model.add(Dropout(0.5))

model.add(Dense(7, activation='softmax'))
    
model.compile(loss='sparse_categorical_crossentropy',
            optimizer='adam',
            metrics=['accuracy'])


model.fit(faces,emos,epochs=100,batch_size=48)
model.save_weights('model.h5')

模型精度曲线

模型损失曲线

Answer 1

在每一层修复问题后标准化输出批次。

只需添加

model.add(BatchNormalization())

每一层之后。

编辑：

认为我应该在这里添加更多信息。 所以，这是我最终制作的最终模型。

model = Sequential()

model.add(Conv2D(32, (3, 3), input_shape=(200,200,3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Conv2D(32, (3, 3), activation='relu'))
model.add(BatchNormalization())
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))

model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(BatchNormalization())
model.add(Dropout(0.25))

model.add(Conv2D(128, (3, 3), activation='relu'))
model.add(BatchNormalization())
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))

model.add(Conv2D(256, (3, 3), activation='relu'))
model.add(BatchNormalization())
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))

model.add(Flatten())

model.add(Dense(512, activation='relu'))
model.add(BatchNormalization())
model.add(Dropout(0.3))

model.add(Dense(256, activation='relu'))
model.add(BatchNormalization())
model.add(Dropout(0.4))

model.add(Dense(128, activation='relu'))
model.add(BatchNormalization())
model.add(Dropout(0.5))

model.add(Dense(len(classes), activation='softmax'))
            
model.compile(loss='sparse_categorical_crossentropy',
                    optimizer='nadam',
                    metrics=['accuracy'])

这些就是我用它得到的结果。

我也增加了节点并更改了优化器，但是批量标准化显着提高了准确性。使用更多节点和 nadam 优化器进一步帮助了一点。