Точность нейросети Keras всегда равна 0 во время обучения - PullRequest
Новая
       4

Точность нейросети Keras всегда равна 0 во время обучения

0 голосов
/ 24 февраля 2020

Я делаю простую классификацию go с нейронной сетью keras. Цель состоит в том, чтобы взять 3 точки данных о погоде и решить, есть ли пожар. Вот изображение набора данных .csv, который я использую для обучения модели (это изображение - только верхние несколько строк, и это еще не все): набор данных о погоде при пожаре Как вы можете видеть, там 4 столбца, четвертый из которых равен «1», что означает «огонь», или «0», что означает «нет огня». Я хочу, чтобы al go предсказал 1 или 0. Это код, который я написал: 

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
import keras
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import Dropout
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
import csv


#THIS IS USED TO TRAIN THE MODEL
# Importing the dataset
dataset = pd.read_csv('Fire_Weather.csv')
dataset.head()

X=dataset.iloc[:,0:3]
Y=dataset.iloc[:,3]

X.head()
obj=StandardScaler()
X=obj.fit_transform(X)

X_train,X_test,y_train,y_test=train_test_split(X, Y, test_size=0.25)


print(X_train.shape)
print(X_test.shape)
print(y_train.shape)
print(y_test.shape)


classifier = Sequential()

    # Adding the input layer and the first hidden layer
classifier.add(Dense(units = 6, kernel_initializer = 'uniform', activation = 
                                                      'relu', input_dim = 3))
   # classifier.add(Dropout(p = 0.1))

   # Adding the second hidden layer
classifier.add(Dense(units = 6, kernel_initializer = 'uniform', activation 
                                                                   = 'relu'))
   # classifier.add(Dropout(p = 0.1))

   # Adding the output layer
classifier.add(Dense(units = 1, kernel_initializer = 'uniform', activation 
                                                               = 'sigmoid'))

       # Compiling the ANN
classifier.compile(optimizer = 'adam', loss = 'binary_crossentropy', metrics 
                                                          = ['accuracy'])

classifier.fit(X_train, y_train, batch_size = 3, epochs = 10)
y_pred = classifier.predict(X_test)
y_pred = (y_pred > 0.5)
print(y_pred)

classifier.save("weather_model.h5")

Проблема в том, что всякий раз, когда я запускаю это, моя точность всегда равна "0,0000e + 00 ", и мои результаты обучения выглядят так: 

    Epoch 1/10
2146/2146 [==============================] - 2s 758us/step - loss: nan - accuracy: 0.0238
Epoch 2/10
2146/2146 [==============================] - 1s 625us/step - loss: nan - accuracy: 0.0000e+00
Epoch 3/10
2146/2146 [==============================] - 1s 604us/step - loss: nan - accuracy: 0.0000e+00
Epoch 4/10
2146/2146 [==============================] - 1s 609us/step - loss: nan - accuracy: 0.0000e+00
Epoch 5/10
2146/2146 [==============================] - 1s 624us/step - loss: nan - accuracy: 0.0000e+00
Epoch 6/10
2146/2146 [==============================] - 1s 633us/step - loss: nan - accuracy: 0.0000e+00
Epoch 7/10
2146/2146 [==============================] - 1s 481us/step - loss: nan - accuracy: 0.0000e+00
Epoch 8/10
2146/2146 [==============================] - 1s 476us/step - loss: nan - accuracy: 0.0000e+00
Epoch 9/10
2146/2146 [==============================] - 1s 474us/step - loss: nan - accuracy: 0.0000e+00
Epoch 10/10
2146/2146 [==============================] - 1s 474us/step - loss: nan - accuracy: 0.0000e+00

Кто-нибудь знает, почему это происходит, и что я могу сделать с моим кодом, чтобы это исправить? Спасибо!

1 Ответ

0 голосов
/ 24 февраля 2020

РЕДАКТИРОВАТЬ: Я понял, что мой предыдущий ответ сильно вводил в заблуждение, на что, к счастью, указали @ xdurch0 и @Timbus Calin. Вот отредактированный ответ.

  1. Убедитесь, что все ваши входные значения верны. Есть ли в ваших тренировочных данных значения nan или inf?

  2. Попробуйте использовать различные функции активации. ReLU - это хорошо, но оно склонно к так называемой умирающей проблеме ReLu , где нейронная сеть практически ничего не изучает, так как ее вес не обновляется. Можно использовать Leaky ReLu или PReLU .

  3. Попробуйте использовать градиентное ограничение, которое используется для устранения исчезающих или взрывных градиентов (что, вероятно, происходит в вашем случае). Keras позволяет пользователям настраивать clipnorm clip value для оптимизаторов.

В SO есть сообщения, в которых сообщается о похожих проблемах, таких как эта , которые также могут вас заинтересовать.

...