Моя потеря - "нан", а точность - "0,0000e + 00" в обучении переносу: InceptionV3 - PullRequest
0 голосов
/ 15 февраля 2019

Я работаю над трансферным обучением.Мой вариант использования состоит в том, чтобы классифицировать две категории изображений.Я использовал InceptionV3 для классификации изображений.При обучении моей модели я получаю nan как потерю и 0.0000e + 00 как точность в каждую эпоху.Я использую 20 эпох, потому что объем моих данных невелик: я получил 1000 изображений для обучения и 100 для тестирования и для каждой партии 5 записей.

from keras.applications.inception_v3 import InceptionV3
from keras.preprocessing import image
from keras.models import Model
from keras.layers import Dense, GlobalAveragePooling2D
from keras import backend as K

# create the base pre-trained model
base_model = InceptionV3(weights='imagenet', include_top=False)

# add a global spatial average pooling layer
x = base_model.output
x = GlobalAveragePooling2D()(x)
# let's add a fully-connected layer
x = Dense(1024, activation='relu')(x)

x = Dense(512, activation='relu')(x)
x = Dense(32, activation='relu')(x)
# and a logistic layer -- we have 2 classes
predictions = Dense(1, activation='softmax')(x)

# this is the model we will train
model = Model(inputs=base_model.input, outputs=predictions)


for layer in base_model.layers:
    layer.trainable = False

# we chose to train the top 2 inception blocks, i.e. we will freeze
# the first 249 layers and unfreeze the rest:
for layer in model.layers[:249]:
   layer.trainable = False
for layer in model.layers[249:]:
   layer.trainable = True

model.compile(loss="binary_crossentropy", optimizer="adam", metrics=["accuracy"])
from keras.preprocessing.image import ImageDataGenerator
train_datagen = ImageDataGenerator(
        rescale=1./255,
        shear_range=0.2,
        zoom_range=0.2,
        horizontal_flip=True)

test_datagen = ImageDataGenerator(rescale=1./255)

training_set = train_datagen.flow_from_directory(
        'C:/Users/Desktop/Transfer/train/',
        target_size=(64, 64),
        batch_size=5,
        class_mode='binary')

test_set = test_datagen.flow_from_directory(
        'C:/Users/Desktop/Transfer/test/',
        target_size=(64, 64),
        batch_size=5,
        class_mode='binary')

model.fit_generator(
        training_set,
        steps_per_epoch=1000,
        epochs=20,
        validation_data=test_set,
        validation_steps=100)

Ответы [ 2 ]

0 голосов
/ 15 февраля 2019

Использование Softmax для активации не имеет смысла в случае одного класса.Ваше выходное значение всегда будет нормироваться само по себе, поэтому оно равно 1. Цель softmax - сделать значения равными 1. В случае одного значения вы получите == 1. Я полагаю, что в какой-то момент времени выполучил 0 в качестве прогнозируемого значения, что привело к нулевому делению и значению потерь NaN.

Вы должны либо изменить количество классов на 2 на:

  • predictions = Dense(2, activation='softmax')(x)
  • class_mode='categorical' in flow_from_directory
  • loss="categorical_crossentropy"

или используйте функцию активации сигмоида для последнего слоя.

0 голосов
/ 15 февраля 2019

Похоже, ваш градиент взрывается.Для этого может быть несколько причин:

  • Проверьте, правильно ли сгенерирован ваш ввод.Например, используйте параметр save_to_dir, равный flow_from_directory
  • Поскольку размер пакета равен 5, исправьте steps_per_epoch с 1000 до 1000/5=200
  • Использовать sigmoidактивация вместо softmax
  • установить более низкую скорость обучения в Адаме;для этого вам нужно создать оптимизатор отдельно, например adam = Adam(0.0001), и передать его в model.compile(..., optimizer=adam)
  • Попробуйте VGG16 вместо InceptionV3

Сообщите нам, когда выпопробовал все вышеперечисленное.

Добро пожаловать на сайт PullRequest, где вы можете задавать вопросы и получать ответы от других членов сообщества.
...