我最近开始学习机器学习,正在学习CNN,我计划在此Keras博客和此github repo的帮助下编写一个用于汽车损坏严重性检测的应用程序。
汽车数据集如下所示:
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
以下代码仅给我32%的准确性。
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:
Conv2D
图层中的过滤器大小Conv2D
,MaxPooling
几层adam
,Sgd
等(1,1) and (5,5)
而不是(3,3)
(256, 256)
,(64, 64)
从(150, 150)
但是,没有运气,每次我获得的准确率都高达32%或更低,但不超过32%。知道我想念的是什么。
正如我们在github repo中看到的那样,对于同一数据集,它给出72%的准确性(训练-979,验证-171)。为什么它不适合我。
我在机器上的github链接上尝试了他的代码,但是在训练数据集时挂断了(我等了8个多小时),所以改变了方法,但是到目前为止还算不上运气。
这是Pastebin,其中包含我的训练纪元的输出。
该问题是由于输出类别的数量(三个)与最终层激活(S型)和损失函数(二进制交叉熵)的选择不匹配而引起的。
S型函数将实值“压缩”为[0,1]之间的值,但它仅适用于二进制(两类)问题。对于多个类,您需要使用诸如softmax函数之类的东西。Softmax是Sigmoid的通用版本(当您有两个类时,两个应等效)。
损耗值也需要更新为可以处理多个类别的值-在这种情况下,分类交叉熵将起作用。
在代码方面,如果您将模型定义和编译代码修改为以下版本,则它应该起作用。
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class_mode='categorical'
在数据生成器中指定。这将确保输出目标的格式设置为3列分类矩阵,该列在对应于正确值的列中为1,而在其他位置为零。categorical_cross_entropy
损失函数需要此响应格式。
本文收集自互联网,转载请注明来源。
如有侵权,请联系 [email protected] 删除。
我来说两句