Во-первых, мои предположения могут быть неправильными:
На мой взгляд это означает, что точность, как правило, будет ближе к 100%, чем потеря будет 0. Это не то, что я вижу:
10000/10000 [==============================] - 1067s - loss: 0.0408 - acc: 0.9577 - val_loss: 0.0029 - val_acc: 0.9995
Epoch 2/5
10000/10000 [==============================] - 991s - loss: 0.0021 - acc: 0.9997 - val_loss: 1.9070e-07 - val_acc: 1.0000
Epoch 3/5
10000/10000 [==============================] - 990s - loss: 0.0011 - acc: 0.4531 - val_loss: 1.1921e-07 - val_acc: 0.2440
Это на 3 эпохи, вторая попытка получить эту работу. Это связано с тем, что train_dategen
имеет shuffle=True
. У меня есть результаты с shuffle=False
(изначально я думал, что это может быть проблемой), здесь:
10000/10000 [==============================] - 1168s - loss: 0.0079 - acc: 0.9975 - val_loss: 0.0031 - val_acc: 0.9995
Epoch 2/5
10000/10000 [==============================] - 1053s - loss: 0.0032 - acc: 0.9614 - val_loss: 1.1921e-07 - val_acc: 0.2439
Epoch 3/5
10000/10000 [==============================] - 1029s - loss: 1.1921e-07 - acc: 0.2443 - val_loss: 1.1921e-07 - val_acc: 0.2438
Epoch 4/5
10000/10000 [==============================] - 1017s - loss: 1.1921e-07 - acc: 0.2439 - val_loss: 1.1921e-07 - val_acc: 0.2438
Epoch 5/5
10000/10000 [==============================] - 1041s - loss: 1.1921e-07 - acc: 0.2445 - val_loss: 1.1921e-07 - val_acc: 0.2435
Я использую categorical_crossentropy
для потери, так как у меня есть 3 класса. У меня больше данных, чем нужно (около 178 000 изображений, все они классифицируются по 1 из 3 классов).
Я что-то недопонимаю, или что-то пошло не так?
Здесь мой полный код:
# Importing the Keras libraries and packages
from keras.models import Sequential
from keras.layers import Conv2D
from keras.layers import MaxPooling2D
from keras.layers import Flatten
from keras.layers import Dense
# Initialising the CNN
classifier = Sequential()
# Step 1 - Convolution
classifier.add(Conv2D(32, (3, 3), input_shape = (200, 200, 3), activation = 'relu'))
# Step 2 - Pooling
classifier.add(MaxPooling2D(pool_size = (2, 2)))
# Adding a second convolutional layer
classifier.add(Conv2D(32, (3, 3), activation = 'relu'))
classifier.add(MaxPooling2D(pool_size = (2, 2)))
# Step 3 - Flattening
classifier.add(Flatten())
# Step 4 - Full connection
classifier.add(Dense(units = 128, activation = 'relu'))
classifier.add(Dense(units = 3, activation = 'sigmoid'))
# Compiling the CNN
classifier.compile(optimizer = 'adam', loss = 'categorical_crossentropy', metrics = ['accuracy'])
# Part 2 - Fitting the CNN to the images
from keras.preprocessing.image import ImageDataGenerator
train_datagen = ImageDataGenerator(rescale = 1./255)
test_datagen = ImageDataGenerator(rescale = 1./255)
training_set = train_datagen.flow_from_directory('dataset/training_set',
target_size = (200, 200),
batch_size = 64,
class_mode = 'categorical',
shuffle=True)
test_set = test_datagen.flow_from_directory('dataset/test_set',
target_size = (200, 200),
batch_size = 62,
class_mode = 'categorical',
shuffle=True)
classifier.fit_generator(training_set,
steps_per_epoch = 10000,
epochs = 5,
validation_data = test_set,
validation_steps=1000)
classifier.save("CSGOHeads.h5")
# Part 3 - Making new predictions
import numpy as np
from keras.preprocessing import image
test_image = image.load_img('dataset/single_prediction/1.bmp', target_size = (200, 200))
test_image = image.img_to_array(test_image)
test_image = np.expand_dims(test_image, axis = 0)
result = classifier.predict(test_image)
training_set.class_indices
if result[0][0] == 1:
prediction = 'head'
else:
prediction = 'not'
Поскольку вы классифицируете изображения в один из 3-х классов (т. softmax
одноклассовой классификацией нескольких классов: существует несколько классов, но каждое изображение имеет только одну метку), вы должны использовать softmax
в качестве функции активации последнего слоя вместо использования sigmoid
:
classifier.add(Dense(units = 3, activation = 'softmax')) # don't use sigmoid here
Если вы хотите, чтобы я объяснил больше, дайте мне знать, и я уточню свой ответ.
Чтобы дополнить @today ответ, если активация последнего слоя является sigmoid
, потеря должна быть binary_crossentropy
. Это рецепт для многоклассовых классификационных проблем. В противном случае для классификации с одной меткой используйте softmax
plus categorical_crossentropy
. Не смешивайте sigmoid
с categorical_crossentropy
.