Почему результаты классификации сосредоточены в одной категории в модели CNN? - PullRequest
Новая
       16

Почему результаты классификации сосредоточены в одной категории в модели CNN?

0 голосов
/ 30 октября 2018

Я хочу использовать CNN модель в классификации, а num_classes - 22. Я использую пример кода TensorFlow напрямую.

Количество обучающих образцов 16522. Все картинки имеют одинаковую форму (50,52). 

# Create model
def conv_net(x, weights, biases, dropout):

    x = tf.reshape(x, shape=[-1, 28, 28, 1])

    # Convolution Layer
    conv1 = conv2d(x, weights['wc1'], biases['bc1'])
    conv1 = maxpool2d(conv1, k=2)

    # Convolution Layer
    conv2 = conv2d(conv1, weights['wc2'], biases['bc2'])
    # Max Pooling (down-sampling)
    conv2 = maxpool2d(conv2, k=2)

    # Fully connected layer
    # Reshape conv2 output to fit fully connected layer input
    fc1 = tf.reshape(conv2, [-1, weights['wd1'].get_shape().as_list()[0]])
    fc1 = tf.add(tf.matmul(fc1, weights['wd1']), biases['bd1'])
    fc1 = tf.nn.relu(fc1)
    # Apply Dropout
    fc1 = tf.nn.dropout(fc1, dropout)

    # Output, class prediction
    out = tf.add(tf.matmul(fc1, weights['out']), biases['out'])
    return out

# Store layers weight & bias
weights = {
    # 5x5 conv, 1 input, 32 outputs
    'wc1': tf.Variable(tf.random_normal([5, 5, 1, 32])),
    # 5x5 conv, 32 inputs, 64 outputs
    'wc2': tf.Variable(tf.random_normal([5, 5, 32, 64])),
    # fully connected, 7*7*64 inputs, 1024 outputs
    'wd1': tf.Variable(tf.random_normal([7*7*64, 1024])),
    # 1024 inputs, 22 outputs (class prediction)
    'out': tf.Variable(tf.random_normal([1024, num_classes]))
}

biases = {
    'bc1': tf.Variable(tf.random_normal([32])),
    'bc2': tf.Variable(tf.random_normal([64])),
    'bd1': tf.Variable(tf.random_normal([1024])),
    'out': tf.Variable(tf.random_normal([num_classes]))
}

Ниже приведены мои результаты.

enter image description here

enter image description here

Как видите, мой прогнозируемый результат (первая картинка) плохой, и многие категории неверно предсказаны как Fault 4.

Я использую softmax_cross_entropy_with_logits в качестве функции потерь, потери падают, но точность также уменьшается. На мой взгляд, функция потерь в этой ситуации бесполезна, что приводит к переоснащению.

Есть предложения по этой ситуации?

...