如何提高我的模型的准确性？ （猫对狗图像识别）

Question

我的 model 的准确率已达到 71%，但它几乎总是将图片标记为“狗”（约 67% 的图片是狗）。 我的训练数据集包含 3680 张图片，测试数据集包含 3670 张图片。

model = Sequential()
model.add(Conv2D(filters=64, kernel_size=(3, 3),activation='relu', padding="same", input_shape=input_shape))
model.add(MaxPooling2D(pool_size=(2, 2), strides=(2,2)))
model.add(Dropout(0.2))
model.add(Conv2D(filters=128, kernel_size=(3, 3),activation='relu', padding="same"))
model.add(MaxPooling2D(pool_size=(2, 2), strides=(2,2)))
model.add(Dropout(0.25))
model.add(Conv2D(filters=256, kernel_size=(3, 3),activation='relu', padding="same"))
model.add(MaxPooling2D(pool_size=(2, 2), strides=(2,2)))
model.add(Dropout(0.3))
model.add(Conv2D(filters=512, kernel_size=(3, 3),activation='relu', padding="same"))
model.add(MaxPooling2D(pool_size=(2, 2), strides=(2,2)))
model.add(Dropout(0.35))
model.add(Conv2D(filters=512, kernel_size=(3, 3),activation='relu', padding="same"))
model.add(MaxPooling2D(pool_size=(2, 2), strides=(2,2)))
model.add(Dropout(0.4))
model.add(Flatten())
model.add(Dense(4096, activation='relu'))
model.add(Dense(4096, activation='relu'))
model.add(Dense(num_classes, activation='softmax'))

我正在将图片大小调整为 200x200 正方形，并在训练前对数据进行洗牌。 我已将其设置为 64 个批量大小和 60 个 epoch（约 7 小时的训练）。 我正在使用学习率 = 0.001 的 Adam 优化器（增加 lr 会导致过度拟合）。 我应该缩小我的测试集吗？ 我有太多的辍学？ 我的参数没问题吗？

Answer 1

您的参数很好，但是您正在输入 NN 200x200 图像，这可能会导致一些欠拟合（即：NN 一次获得太多数据并且因此性能不佳）。

要解决此问题，请尝试将图像设置为更像 50x50 的大小，这将显着加快训练速度。 您可以通过一个简单的 python 脚本使用 glob 和 PIL 库来执行此操作，默认情况下应该安装这些库。 如果未安装PIL ，请运行pip install Pillow ，它应该安装它。

您也可以尝试使用numpy将它们转换为黑白。

Answer 2

如果您查看数据科学页面，这里有一些很好的神经网络架构示例，您可以使用它们来改进您的 model。 例如，您可以使用带有残差训练的类似 ResNet 的结构，或者您可以使用类似 Inception 的网络，将不同的 Conv2D kernel 大小合并在一起。 这允许使用不同的内核提取“不同大小”的特征并将信息合并在一起。 另外我建议您将激活从“relu”更改为“selu”，以避免神经元死亡并添加一些非线性。 还可以看看 SeparableConv2D 层。 它们有助于加快训练速度，如果以正确的方式使用，可以提高性能。

还建议将 dropout 层留在 model 的“末尾”，以便让第一层学习特征并使用最后一层来解释泛化并避免过度拟合。