Как повысить точность на тренировке, когда я не могу изменить размер партии - PullRequest
Новая
       91

Как повысить точность на тренировке, когда я не могу изменить размер партии

0 голосов
/ 06 января 2019

У меня есть NN, где попытаться предсказать один вывод изображения, используя другой ввод изображения. В качестве входного изображения используется изображение с 3 каналами (RGB), а выходной сигнал подобен одному и тому же изображению в оттенках серого [пример] (точнее, выходной сигнал представляет собой глубину изображения RGB).

[введите описание изображения здесь] [пример ожидаемого ввода и вывода]

Я пытаюсь использовать U-Net [введите описание изображения здесь] [U-Net Image], меняйте то же, что и количество нейронов. U-Net используется для сегментации изображений, но я пытаюсь использовать для прогнозирования другие изображения.

  • Я не могу изменить размер пакета , и этот размер очень и очень ограничен ( Мой компьютер не позволяет больше этого ). Просто BATCH_SIZE = 4 ;
  • Для компиляции я использую Адам без настройки extra (по умолчанию) и;
  • LOSS = mse

https://lmb.informatik.uni -freiburg.de / люди / ronneber / U-Net / 

inputs = Input((IMG_HEIGHT, IMG_WIDTH, RGB_CHANNELS))
s = Lambda(lambda x: x / 255) (inputs)

c1 = Conv2D(256, (3, 3), activation='elu', kernel_initializer='he_normal', padding='same') (s)
c1 = Dropout(0.25) (c1)
c1 = Conv2D(256, (3, 3), activation='elu', kernel_initializer='he_normal', padding='same') (c1)
p1 = MaxPooling2D((2, 2)) (c1)

c2 = Conv2D(256, (3, 3), activation='elu', kernel_initializer='he_normal', padding='same') (p1)
c2 = Dropout(0.25) (c2)
c2 = Conv2D(256, (3, 3), activation='elu', kernel_initializer='he_normal', padding='same') (c2)
p2 = MaxPooling2D((2, 2)) (c2)

c3 = Conv2D(512, (3, 3), activation='elu', kernel_initializer='he_normal', padding='same') (p2)
c3 = Dropout(0.5) (c3)
c3 = Conv2D(512, (3, 3), activation='elu', kernel_initializer='he_normal', padding='same') (c3)
p3 = MaxPooling2D((2, 2)) (c3)

c4 = Conv2D(512, (3, 3), activation='elu', kernel_initializer='he_normal', padding='same') (p3)
c4 = Dropout(0.5) (c4)
c4 = Conv2D(512, (3, 3), activation='elu', kernel_initializer='he_normal', padding='same') (c4)
p4 = MaxPooling2D(pool_size=(2, 2)) (c4)

c5 = Conv2D(1024, (3, 3), activation='elu', kernel_initializer='he_normal', padding='same') (p4)
c5 = Dropout(0.5) (c5)
c5 = Conv2D(1024, (3, 3), activation='elu', kernel_initializer='he_normal', padding='same') (c5)

u6 = Conv2DTranspose(512, (2, 2), strides=(2, 2), padding='same') (c5)
u6 = concatenate([u6, c4])
c6 = Conv2D(512, (3, 3), activation='elu', kernel_initializer='he_normal', padding='same') (u6)
c6 = Dropout(0.5) (c6)
c6 = Conv2D(512, (3, 3), activation='elu', kernel_initializer='he_normal', padding='same') (c6)

u7 = Conv2DTranspose(512, (2, 2), strides=(2, 2), padding='same') (c6)
u7 = concatenate([u7, c3])
c7 = Conv2D(512, (3, 3), activation='elu', kernel_initializer='he_normal', padding='same') (u7)
c7 = Dropout(0.5) (c7)
c7 = Conv2D(512, (3, 3), activation='elu', kernel_initializer='he_normal', padding='same') (c7)

u8 = Conv2DTranspose(256, (2, 2), strides=(2, 2), padding='same') (c7)
u8 = concatenate([u8, c2])
c8 = Conv2D(256, (3, 3), activation='elu', kernel_initializer='he_normal', padding='same') (u8)
c8 = Dropout(0.25) (c8)
c8 = Conv2D(256, (3, 3), activation='elu', kernel_initializer='he_normal', padding='same') (c8)

u9 = Conv2DTranspose(256, (2, 2), strides=(2, 2), padding='same') (c8)
u9 = concatenate([u9, c1], axis=3)
c9 = Conv2D(256, (3, 3), activation='elu', kernel_initializer='he_normal', padding='same') (u9)
c9 = Dropout(0.25) (c9)
c9 = Conv2D(256, (3, 3), activation='elu', kernel_initializer='he_normal', padding='same') (c9)

cls_depth = Conv2D(1, (1, 1), activation='sigmoid') (c9)


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

Точность все время равна conv2d_19_acc: 0,0015 .. как я могу улучшить это?

...