时间戳

首页 > 解决方案 > CNN 低准确率猫狗数据集

python-3.x - CNN 低准确率猫狗数据集

问题描述

我有一个火车文件夹，其中包含猫文件夹（里面有 5000 张照片）和狗文件夹（里面有 4000 张照片）。另外，我有一个测试文件夹，其中包含猫文件夹（2500 张图片）和狗文件夹（2000 张图片）。我编写了以下代码来应用 CNN 图像分类

代码：

from keras.models import Sequential
from keras.layers import Conv2D,Activation,MaxPooling2D,Dense,Flatten,Dropout
import numpy as np
from keras.preprocessing.image import ImageDataGenerator
from IPython.display import display
import matplotlib.pyplot as plt
from PIL import Image
from sklearn.metrics import classification_report, confusion_matrix
classifier = Sequential()
classifier.add(Conv2D(32,(3,3),input_shape=(64,64,3)))
classifier.add(Activation('relu'))
classifier.add(MaxPooling2D(pool_size =(2,2)))
classifier.add(Conv2D(32,(3,3)))
classifier.add(Activation('relu'))
classifier.add(MaxPooling2D(pool_size =(2,2)))
classifier.add(Conv2D(64,(3,3)))
classifier.add(Activation('relu'))
classifier.add(MaxPooling2D(pool_size =(2,2)))
classifier.add(Flatten())
classifier.add(Dense(64))
classifier.add(Activation('relu'))
classifier.add(Dropout(0.5))
classifier.add(Dense(1))
classifier.add(Activation('sigmoid'))
classifier.summary()
classifier.compile(optimizer ='rmsprop',
                   loss ='binary_crossentropy',
                   metrics =['accuracy'])
train_datagen = ImageDataGenerator(rescale =1./255,
                                   shear_range =0.2,
                                   zoom_range = 0.2,
                                   horizontal_flip =True)
test_datagen = ImageDataGenerator(rescale = 1./255)

batchsize=500
training_set = train_datagen.flow_from_directory('/home/osboxes/Downloads/dogs-vs-cats/train/',
                                                target_size=(64,64),
                                                batch_size= batchsize,
                                                class_mode='binary')

test_set = test_datagen.flow_from_directory('/home/osboxes/Downloads/dogs-vs-cats/test/',
                                           target_size = (64,64),
                                           batch_size = batchsize,
                       shuffle=False,
                                           class_mode ='binary')
history=classifier.fit_generator(training_set,
                        steps_per_epoch =9000/batchsize,
                        epochs = 3,
                        validation_data =test_set,
                        validation_steps = 4500/batchsize)

Y_pred = classifier.predict_generator(test_set, 4500 / batchsize)
y_pred = np.argmax(Y_pred, axis=1)
print('Confusion Matrix')
print(confusion_matrix(test_set.classes, y_pred))
print('Classification Report')
target_names = ['cats', 'dogs']
print(classification_report(test_set.classes, y_pred, target_names=target_names))
print(history.history.keys())
# summarize history for accuracy
plt.plot(history.history['accuracy'])
plt.plot(history.history['val_accuracy'])
plt.title('model accuracy')
plt.ylabel('accuracy')
plt.xlabel('epoch')
plt.legend(['train', 'test'], loc='upper left')
plt.show()
# summarize history for loss
plt.plot(history.history['loss'])
plt.plot(history.history['val_loss'])
plt.title('model loss')
plt.ylabel('loss')
plt.xlabel('epoch')
plt.legend(['train', 'test'], loc='upper left')
plt.show()

结果混淆矩阵为：

混淆矩阵

[[2500 0]

[2000 0]]

我的问题是：

1- 为什么所有的狗实例都被归类为猫

2-猫和狗训练文件夹之间可以有不同的样本数吗？还是测试文件夹？或者它们必须完全相同？

3-如果我需要添加例如马图片，如何添加多类分类器？

标签： python-3.ximage-processingkerasscikit-learnconv-neural-network

解决方案

1-因为你说classifier.add(Dense(1))这意味着你只有一门课。既然你有两个，你必须把classifier.add(Dense(2))你的损失改成loss ='categorical_crossentropy'

2-是的，每个班级的图像数量之间有一点差异是可以的（但应该不会有太大差异）

3-按照我说的改变损失并放classifier.add(Dense(3))

最好使用Adam 优化器并BatchNormalization()在每个Activation()函数之前使用。

推荐阅读