Tensorflow 图像分类二值交叉熵损失为负

Question

我是 Tensorflow 的新手。 我使用提供的数据集遵循了一些教程，并想自己尝试一些东西。 我决定尝试对万智牌系列进行分类。 每张卡上都有不同的 colors 符号：黑色、金色等。

colors 没关系，只是符号不同。 所以我创建了一个包含 3 个不同集合（所以 3 个不同符号）的数据集，并得到了大约 15'000 个这样的图像。 有些有点旋转，有些有 X 和 Y 偏移，只是为了得到一些不同的图像。

然后我改编了tensorflow网站上的教程进行图像分类。 我想尝试三个而不是两个类：

batch_size = 250
epochs = 3
IMG_HEIGHT = 55
IMG_WIDTH = 55

train_image_generator = ImageDataGenerator(rescale=1./255)
validation_image_generator = ImageDataGenerator(rescale=1./255)

train_data_gen = train_image_generator.flow_from_directory(batch_size=batch_size,
                                                           directory=train_dir,
                                                           shuffle=True,
                                                           target_size=(IMG_HEIGHT, IMG_WIDTH),
                                                           class_mode='binary')

val_data_gen = validation_image_generator.flow_from_directory(batch_size=batch_size,
                                                              directory=validation_dir,
                                                              target_size=(IMG_HEIGHT, IMG_WIDTH),
                                                              class_mode='binary')

model = Sequential([
    Conv2D(16, 3, padding='same', activation='relu', input_shape=(IMG_HEIGHT, IMG_WIDTH ,3)),
    MaxPooling2D(),
    Conv2D(32, 3, padding='same', activation='relu'),
    MaxPooling2D(),
    Conv2D(64, 3, padding='same', activation='relu'),
    MaxPooling2D(),
    Flatten(),
    Dense(512, activation='relu'),
    Dense(1, activation='sigmoid')
])

model.compile(optimizer='adam',
              loss='binary_crossentropy',
              metrics=['accuracy'])

history = model.fit_generator(
    train_data_gen,
    steps_per_epoch=total_train // batch_size,
    epochs=epochs,
    validation_data=val_data_gen,
    validation_steps=total_val // batch_size,
    callbacks=[cp_callback]
)

但是我的损失是负面的，训练后我没有得到很好的准确性。 我搞砸了什么？ 教程中使用的 model 不适合我的用例吗？ 或者代码中是否有错误，因为我使用了三个而不是两个类？

Answer 1

教程中的 model 用于二进制分类（只有两个类，猫或狗）。 另一方面，您想要分类 3 个类而不是 2 个。因此，您必须稍微调整架构。 你的最后一层应该是：

Dense(3, activation='softmax')

三个神经元，因为你有三个类和 softmax 激活，因为你希望你的输出是有效的概率。 要编译 model，请使用categorical_crossentropy而不是binary_crossentropy ，并确保您的标签是单热编码的。 同样对于您的ImageDataGenerator ，您应该将class_mode=categorical传递给.flow_from_directory() function。