![](/img/trans.png)
[英]How does sklearn.preprocessing.normalize normalize data, and can I replicate on new data with mean and standard deviation?
[英]normalize training data with channel means and standard deviation in CNN model
我正在使用 CNN 进行多类图像分类,但准确率不是很好。 我假设我需要使用通道均值和标准差对训练数据进行归一化,以便提高准确性。 我提出了一种方法来做到这一点,但它不是很有效,因为我只是将随机值作为均值,将标准差作为归一化。 我不确定如何找到通道均值及其标准差。 我想知道有没有办法做到这一点。 谁能指出我如何做到这一点? 有什么可能的想法吗?
我目前的尝试:
import tensorflow as tf
from tensorflow.keras.models import Model
from tensorflow.keras.layers import Dense, Conv2D, MaxPooling2D, Dropout, Flatten, Input
from keras.datasets import cifar10
from keras.utils import to_categorical
(X_train, y_train), (X_test, y_test)= cifar10.load_data()
output_class = np.unique(y_train)
n_class = len(output_class)
input_shape = (32, 32, 3)
X_train = X_train.astype('float32')
X_test = X_test.astype('float32')
y_train_one_hot = to_categorical(y_train)
y_test_one_hot = to_categorical(y_test)
x = tf.keras.Input(shape=(32, 32, 3))
conv = Conv2D(128, (3, 3), activation='relu',input_shape=(32, 32, 3))(x)
conv = MaxPooling2D(pool_size=(2,2))(conv)
conv = Conv2D(64, (2,2))(conv)
conv = MaxPooling2D(pool_size=(2,2))(conv)
conv = Flatten()(conv)
conv = Dense(64, activation='relu')(conv)
conv = Dense(10, activation='softmax')(conv)
model = Model(inputs = x, outputs = conv)
我的标准化尝试:
这是我的标准化方式,我只是将随机值分配给均值和标准差:
mean = [125.307, 122.95, 113.865] ## random value
std = [62.9932, 62.0887, 66.7048] ## random value
for i in range(3):
X_train[:,:,:,i] = (X_train[:,:,:,i] - mean[i]) / std[i]
X_test[:,:,:,i] = (X_test[:,:,:,i] - mean[i]) / std[i]
我想知道是否有任何方式以编程方式找到通道均值及其标准偏差,以便我们可以进行标准化。 这样做有更好的主意吗? 还有什么可以提高我的样品 model 的准确性? 如何找到通道均值及其标准差? 任何可能的策略或编码尝试?
我相信您可以通过这种方式进行数据规范化,这很有希望:
(X_train, y_train), (X_test, y_test) = cifar10.load_data()
X_train = X_train.astype('float32') / 255.0
X_test = X_test.astype('float32') / 255.0
nb_classes = 10
Y_train = to_categorical(y_train, nb_classes)
Y_test = to_categorical(y_test, nb_classes)
## find channel mean, std and do data normalization
train_mean = np.mean(X_train, axis=0)
train_std = np.std(X_train, axis=0)
X_train = (X_train - train_mean) / train_std
X_test = (X_test - train_mean) / train_std
## then do training ....
希望这是你想要做的标准化。 如果您有任何问题,请告诉我:)
要将训练图像值从 0-255 标准化为 0-1,您只需将它们除以 255。
x_train = x_train.astype('float32') / 255
x_test = x_test.astype('float32') / 255
# subtract mean
x_train_mean = np.mean(x_train, axis=0)
x_train -= x_train_mean
x_test -= x_train_mean
请注意,您的网络精度不佳的主要原因是网络较浅。 尝试增加 Conv2D 层的数量和其中的过滤器数量。 您还没有提供优化器设置,但是学习率为 0.01 的 Adam 是一个好的开始。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.