python - 用 keras 构建一个密集的残差网络
问题描述
我正在尝试使用 Keras 构建基于密集网络的分类器。我的输入是 (26,1) 向量,我想得到一个二进制分类 1 或 0 作为输出。
使用 Dense 网络和 hyperas 进行一些优化,我设法达到 80% 的准确度,这还不错,但我正在尝试使用残差网络来提高网络的准确度。
我在各种论坛上发现了很多卷积网络的残差网络示例,但我没有找到残差网络的示例。
我尝试了以下代码来生成残网:
Input=keras.Input(shape=(X_train.shape[1],)) x1=layers.Dense(512,activation='relu')(Input) x1=layers.Dropout(0.5)(x1) x1=layers.Dense(128,activation='relu')(x1) x1=layers.Dropout(0.4)(x1) # x1=layers.Dense(512,activation='relu')(x1) # x1=layers.Dropout(0.3)(x1) x2=layers.Dense(128,activation='relu')(Input) x2=layers.Dropout(0.5)(x2) added=layers.Add()([x1,x2])#pour faire du ResNet x3=layers.Dense(128,activation='relu')(added) final=layers.Dense(1,activation='sigmoid')(x3) model=Model(Input,final) model.compile(optimizer='RMSprop',loss='binary_crossentropy',metrics=['accuracy']) history=model.fit(X_train,Y_train,validation_data=(X_valid,Y_valid),epochs=100,batch_size=128,class_weight=class_weight) loss = history.history['acc'] val_loss=history.history['val_acc'] epochs=range(1,len(loss)+1) plt.plot(epochs,loss,'bo',label='Training accuracy') plt.plot(epochs,val_loss,'b',label='Validation accuracy') plt.title('Training and validation accuracy') plt.legend() plt.show()
我尝试了各种 epoch 训练,但网络没有达到超过 75% 的准确率,这比以前更差。当然,我仍然可以使用 hyperas 再次提高准确性并调整超参数,但我“一开始”期待更好的性能。
问题 :
- 我的编码有缺陷吗?
- 有没有更好的方法来生成残差网络?主要是,我添加了一个跳过层(仍然通过一个密集层)我可以做得更好吗?我应该包括更多吗?
感谢您的建议
解决方案
首先,resnet 旨在用于更深的网络。您的网络似乎太浅而无法获得最大 adding
收益。
更一般地说,resnet 是 VGGNet 等简单架构的一种进化版本,旨在能够“更深入”。这并不意味着如果网络太浅,残差层总是会提高您的准确性。
添加更多层应该会有所帮助。关键思想是通过允许跳过连接来避免网络更深层的梯度消失。
推荐阅读
- jenkins - Jenkinsfile 库注释顺序
- python - fastapi 响应应该如何格式化?
- linux - 在 Android 模拟器上移除两指触摸
- ansible - 当我尝试在 Cisco 设备中执行 show version 时出错
- unit-testing - API 中的测试覆盖率
- javascript - HTML 模式未打开
- ruby-on-rails - 在 Rails 中实现 method_missing
- excel - 在 VBA 中提高 For Loop 和 With 语句的速度
- javascript - add 不是函数
- python-3.x - 为什么它不转一圈?以及如何解决?