![](/img/trans.png)
[英]cnn model for binary classification with 86% val_accuracy always returning 1
[英]cnn model for binary classification always returning 1
我为二进制分类创建了一个 CNN model。 我使用了一个包含 300 张图像的平衡数据库。 我知道这是一个小型数据库,但我使用了数据增强。 在拟合 model 后,我在验证集上得到了 86% 的 val_accuracy,但是当我想打印每张图片的概率时,我从第一张 class 中得到大多数图片的概率 1,甚至所有概率都 > 0.5,所有概率为 1来自第二个 class 的图像。
这是我的 model:
model = keras.Sequential([
layers.InputLayer(input_shape=[128, 128, 3]),
preprocessing.Rescaling(scale=1/255),
preprocessing.RandomContrast(factor=0.10),
preprocessing.RandomFlip(mode='horizontal'),
preprocessing.RandomRotation(factor=0.10),
layers.BatchNormalization(renorm=True),
layers.Conv2D(filters=64, kernel_size=3, activation='relu', padding='same'),
layers.MaxPool2D(),
layers.BatchNormalization(renorm=True),
layers.Conv2D(filters=128, kernel_size=3, activation='relu', padding='same'),
layers.MaxPool2D(),
layers.BatchNormalization(renorm=True),
layers.Conv2D(filters=256, kernel_size=3, activation='relu', padding='same'),
layers.Conv2D(filters=256, kernel_size=3, activation='relu', padding='same'),
layers.MaxPool2D(),
layers.BatchNormalization(renorm=True),
layers.Flatten(),
layers.Dense(8, activation='relu'),
layers.Dense(1, activation='sigmoid'),])
model.compile(
optimizer=tf.keras.optimizers.Adam(),
loss='binary_crossentropy',
metrics=['binary_accuracy'],
)
history = model.fit(
ds_train,
validation_data=ds_valid,
epochs=50,
)
谢谢你。
像 vgg16 这样的预训练 model 可以很好地完成所有工作,没有必要让 model 变得非常复杂。 所以试试下面的代码:
base_model = keras.applications.VGG16(
weights='imagenet',
input_shape=(128, 128, 3),
include_top=False)
base_model.trainable = True
inputs = keras.Input(shape=(128, 128, 3))
x = base_model(inputs, training=False)
x = keras.layers.GlobalAveragePooling2D()(x)
outputs = keras.layers.Dense(1)(x)
model = keras.Model(inputs, outputs)
如果您希望 model 快速训练,请将base_model.trainable设置为 False,并将其设置为 True 以获得更准确的结果。 请注意,我使用GlobalAveragePooling2D层而不是 Flatten,以减少参数数量并取消堆叠特征。
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.