时间戳

首页 > 解决方案 > val_accuracy 不会改变。总是完全相同的值

python - val_accuracy 不会改变。总是完全相同的值

问题描述

所以我的 CNN 模型的 val_accuracy 没有改变。事实上 is 总是相同的值。我有六个班级，每个班级有 190 个样本。总共约。1250 个样本。正常损失减少，但非常缓慢。这可能与我的样本太少有关吗？

结构如下：

X_train, X_test, y_train, y_test = train_test_split(final, y, test_size=0.25, random_state=42, stratify=y)

X_train = tf.expand_dims(X_train, axis=-1)
X_test = tf.expand_dims(X_test, axis=-1)

num_classes = 6

# convert class vectors to binary class matrices - this is for use in the
# categorical_crossentropy loss below
y_train = keras.utils.np_utils.to_categorical(y_train-1, num_classes)
y_test = keras.utils.np_utils.to_categorical(y_test-1, num_classes)

model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(100, 400, 1)))
model.add(layers.MaxPooling2D((2, 2)))

model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))


model.add(layers.Flatten())
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(num_classes, activation='softmax'))

opt = SGD(learning_rate=0.0000001)

model.compile(loss = "categorical_crossentropy", optimizer = opt, metrics=['accuracy'])

history = model.fit(X_train, y_train, epochs=200, validation_data=(X_test, y_test), batch_size=4, shuffle=True)

输出如下所示：

Epoch 1/200
213/213 [==============================] - 13s 63ms/step - loss: 31.1534 - accuracy: 0.1529 - val_loss: 49.1441 - val_accuracy: 0.1690
Epoch 2/200
213/213 [==============================] - 13s 62ms/step - loss: 28.5760 - accuracy: 0.1741 - val_loss: 25.3026 - val_accuracy: 0.1690

Epoch 30/200
213/213 [==============================] - 13s 62ms/step - loss: 13.4533 - accuracy: 0.1835 - val_loss: 24.9576 - val_accuracy: 0.1690
Epoch 31/200
213/213 [==============================] - 13s 62ms/step - loss: 13.2200 - accuracy: 0.1671 - val_loss: 27.3058 - val_accuracy: 0.1690

Epoch 105/200
213/213 [==============================] - 13s 62ms/step - loss: 5.3484 - accuracy: 0.1518 - val_loss: 5.4915 - val_accuracy: 0.1690
Epoch 106/200
213/213 [==============================] - 13s 62ms/step - loss: 5.1911 - accuracy: 0.1706 - val_loss: 7.9073 - val_accuracy: 0.1690

我尝试了以下方法： - 将 Adam 优化器更改为 SGD

- 降低/改变学习率

- 减少批量大小

-Shuffe=真

还有什么想法吗？

标签： pythontensorflowkeras

解决方案

根据我的经验，我认为每个班级有 190 个样本，其中 6 个班级应该给出合理的结果，尽管更多的样本总是更好。根据分类的性质，您的模型可能不够深，因此请考虑添加另一层或两层卷积和池化。一件事是您的学习率非常低，为 0.0000001。首先尝试使用 0.001 的学习率。如果性能没有提高，则向模型添加层。除非您的图像非常大，否则我还会考虑将批量大小增加到 30，这对于 224 X 224 之类的图像来说已经足够了。如果这些东西不起作用，您可以尝试使用下面的代码为您的模型进行迁移学习

model_name='EfficientNetB3'
base_model=tf.keras.applications.EfficientNetB3(include_top=False, weights="imagenet",input_shape=img_shape, pooling='max') 
x=base_model.output
x=keras.layers.BatchNormalization(axis=-1, momentum=0.99, epsilon=0.001 )(x)
x = Dense(256, kernel_regularizer = regularizers.l2(l = 0.016),activity_regularizer=regularizers.l1(0.006),
                bias_regularizer=regularizers.l1(0.006) ,activation='relu')(x)
x=Dropout(rate=.45, seed=123)(x)        
output=Dense(class_count, activation='softmax')(x)
model=Model(inputs=base_model.input, outputs=output)
model.compile(Adamax(lr=.001), loss='categorical_crossentropy', metrics=['accuracy'])

注意 EfficientNet 模型需要像素值在 0 到 255 范围内的图像，因此您不必缩放图像。顺便说一句，您是否在代码中缩放了图像，即 img=img/255？

推荐阅读