带有keras的CNN,准确性没有提高
CNN with keras, accuracy not improving
我最近开始学习机器学习,我正在学习 CNN,我打算借助这个 Keras blog and this github repo 编写一个汽车损坏严重程度检测的应用程序。
这就是汽车数据集的样子:
F:\WORKSPACE\ML\CAR_DAMAGE_DETECTOR\DATASET\DATA3A
├───training (979 Images for all 3 categories of training set)
│ ├───01-minor
│ ├───02-moderate
│ └───03-severe
└───validation (171 Images for all 3 categories of validation set)
├───01-minor
├───02-moderate
└───03-severe
下面的代码只给我 32% 的准确率。
from keras.preprocessing.image import ImageDataGenerator
from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D
from keras.layers import Activation, Dropout, Flatten, Dense
from keras import backend as K
# dimensions of our images.
img_width, img_height = 150, 150
train_data_dir = 'dataset/data3a/training'
validation_data_dir = 'dataset/data3a/validation'
nb_train_samples = 979
nb_validation_samples = 171
epochs = 10
batch_size = 16
if K.image_data_format() == 'channels_first':
input_shape = (3, img_width, img_height)
else:
input_shape = (img_width, img_height, 3)
model = Sequential()
model.add(Conv2D(32, (3, 3), input_shape=input_shape))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(32, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(64, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Flatten())
model.add(Dense(64))
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(1))
model.add(Activation('sigmoid'))
model.compile(loss='binary_crossentropy',
optimizer='rmsprop',
metrics=['accuracy'])
# this is the augmentation configuration we will use for training
train_datagen = ImageDataGenerator(
rescale=1. / 255,
shear_range=0.2,
zoom_range=0.2,
horizontal_flip=True)
# this is the augmentation configuration we will use for testing:
# only rescaling
test_datagen = ImageDataGenerator(rescale=1. / 255)
train_generator = train_datagen.flow_from_directory(
train_data_dir,
target_size=(img_width, img_height),
batch_size=batch_size,
class_mode='binary')
validation_generator = test_datagen.flow_from_directory(
validation_data_dir,
target_size=(img_width, img_height),
batch_size=batch_size,
class_mode='binary')
model.fit_generator(
train_generator,
steps_per_epoch=nb_train_samples // batch_size,
epochs=epochs,
validation_data=validation_generator,
validation_steps=nb_validation_samples // batch_size)
model.save_weights('first_try.h5')
我试过了:
- 通过将纪元增加到 10、20、50。
- 通过增加数据集中的图像(将所有验证图像添加到训练集中)。
- 通过更新
Conv2D
层中的过滤器大小
- 尝试添加
Conv2D
层,MaxPooling
层
- 还尝试了不同的优化器,例如
adam
、Sgd
等
- 还尝试将过滤器步幅更新为
(1,1) and (5,5)
而不是 (3,3)
- 还尝试将不断变化的图像尺寸从
(150, 150)
更新为 (256, 256)
、(64, 64)
但运气不佳,每次我的准确率都达到 32% 或更低,但不会更高。
知道我错过了什么。
正如我们在 github repo 中看到的那样,它为同一数据集提供了 72% 的准确率(训练 -979,验证 -171)。为什么它对我不起作用。
我在我的机器上试了githublink的他的代码,但是在训练数据集的时候挂了(我等了8个多小时),所以换了方法,还是不行到目前为止运气。
这是 Pastebin 包含我训练时期的输出。
这个问题是由于输出的数量 classes(三)与你选择的最终层激活(sigmoid)和损失函数(二元交叉熵)之间的不匹配引起的。
sigmoid 函数 'squashes' 将实数值转换为 [0, 1] 之间的值,但它专为二进制(两个 class)问题而设计。对于多个 classes 你需要使用类似 softmax 函数的东西。 Softmax 是 sigmoid 的广义版本(当你有两个 classes 时,两者应该是等价的)。
损失值也需要更新为可以处理多个 classes - 分类交叉熵将在这种情况下起作用。
在代码方面,修改模型定义和编译代码到以下版本应该可以。
model = Sequential()
model.add(Conv2D(32, (3, 3), input_shape=input_shape))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(32, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(64, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Flatten())
model.add(Dense(64))
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(3))
model.add(Activation('softmax'))
model.compile(loss='categorical_crossentropy',
optimizer='rmsprop',
metrics=['accuracy'])
最后,您需要在数据生成器中指定 class_mode='categorical'
。这将确保输出目标被格式化为分类 3 列矩阵,该矩阵在对应于正确值的列中有一个 1,而在其他地方为零。 categorical_cross_entropy
损失函数需要这种响应格式。
小更正:
model.add(Dense(1))
应该是:
model.add(Dense(3))
它必须符合输出中 类 的数量。
我最近开始学习机器学习,我正在学习 CNN,我打算借助这个 Keras blog and this github repo 编写一个汽车损坏严重程度检测的应用程序。
这就是汽车数据集的样子:
F:\WORKSPACE\ML\CAR_DAMAGE_DETECTOR\DATASET\DATA3A
├───training (979 Images for all 3 categories of training set)
│ ├───01-minor
│ ├───02-moderate
│ └───03-severe
└───validation (171 Images for all 3 categories of validation set)
├───01-minor
├───02-moderate
└───03-severe
下面的代码只给我 32% 的准确率。
from keras.preprocessing.image import ImageDataGenerator
from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D
from keras.layers import Activation, Dropout, Flatten, Dense
from keras import backend as K
# dimensions of our images.
img_width, img_height = 150, 150
train_data_dir = 'dataset/data3a/training'
validation_data_dir = 'dataset/data3a/validation'
nb_train_samples = 979
nb_validation_samples = 171
epochs = 10
batch_size = 16
if K.image_data_format() == 'channels_first':
input_shape = (3, img_width, img_height)
else:
input_shape = (img_width, img_height, 3)
model = Sequential()
model.add(Conv2D(32, (3, 3), input_shape=input_shape))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(32, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(64, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Flatten())
model.add(Dense(64))
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(1))
model.add(Activation('sigmoid'))
model.compile(loss='binary_crossentropy',
optimizer='rmsprop',
metrics=['accuracy'])
# this is the augmentation configuration we will use for training
train_datagen = ImageDataGenerator(
rescale=1. / 255,
shear_range=0.2,
zoom_range=0.2,
horizontal_flip=True)
# this is the augmentation configuration we will use for testing:
# only rescaling
test_datagen = ImageDataGenerator(rescale=1. / 255)
train_generator = train_datagen.flow_from_directory(
train_data_dir,
target_size=(img_width, img_height),
batch_size=batch_size,
class_mode='binary')
validation_generator = test_datagen.flow_from_directory(
validation_data_dir,
target_size=(img_width, img_height),
batch_size=batch_size,
class_mode='binary')
model.fit_generator(
train_generator,
steps_per_epoch=nb_train_samples // batch_size,
epochs=epochs,
validation_data=validation_generator,
validation_steps=nb_validation_samples // batch_size)
model.save_weights('first_try.h5')
我试过了:
- 通过将纪元增加到 10、20、50。
- 通过增加数据集中的图像(将所有验证图像添加到训练集中)。
- 通过更新
Conv2D
层中的过滤器大小 - 尝试添加
Conv2D
层,MaxPooling
层 - 还尝试了不同的优化器,例如
adam
、Sgd
等 - 还尝试将过滤器步幅更新为
(1,1) and (5,5)
而不是(3,3)
- 还尝试将不断变化的图像尺寸从
(150, 150)
更新为
(256, 256)
、(64, 64)
但运气不佳,每次我的准确率都达到 32% 或更低,但不会更高。 知道我错过了什么。
正如我们在 github repo 中看到的那样,它为同一数据集提供了 72% 的准确率(训练 -979,验证 -171)。为什么它对我不起作用。
我在我的机器上试了githublink的他的代码,但是在训练数据集的时候挂了(我等了8个多小时),所以换了方法,还是不行到目前为止运气。
这是 Pastebin 包含我训练时期的输出。
这个问题是由于输出的数量 classes(三)与你选择的最终层激活(sigmoid)和损失函数(二元交叉熵)之间的不匹配引起的。
sigmoid 函数 'squashes' 将实数值转换为 [0, 1] 之间的值,但它专为二进制(两个 class)问题而设计。对于多个 classes 你需要使用类似 softmax 函数的东西。 Softmax 是 sigmoid 的广义版本(当你有两个 classes 时,两者应该是等价的)。
损失值也需要更新为可以处理多个 classes - 分类交叉熵将在这种情况下起作用。
在代码方面,修改模型定义和编译代码到以下版本应该可以。
model = Sequential()
model.add(Conv2D(32, (3, 3), input_shape=input_shape))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(32, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(64, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Flatten())
model.add(Dense(64))
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(3))
model.add(Activation('softmax'))
model.compile(loss='categorical_crossentropy',
optimizer='rmsprop',
metrics=['accuracy'])
最后,您需要在数据生成器中指定 class_mode='categorical'
。这将确保输出目标被格式化为分类 3 列矩阵,该矩阵在对应于正确值的列中有一个 1,而在其他地方为零。 categorical_cross_entropy
损失函数需要这种响应格式。
小更正:
model.add(Dense(1))
应该是:
model.add(Dense(3))
它必须符合输出中 类 的数量。