Я работаю над проектом сегментации биомедицинских изображений. Для работы я использую модель U- net. Проблема в том, что когда я обучаю модель, потеря валидации кажется непрактичной.
Я использовал dice_coef_loss в качестве функции потерь, а также в metri c. Результат обучения - график ниже. График ясно показывает, что потеря проверки не соответствует моей функции потерь, потому что эти два графика различимы. Тем не менее, потеря поезда соответствует значениям поезда dice_coef_loss.
(Первое изображение слева - это потеря обучения и проверки, третье - обучение и проверка dice_coef_loss как metri c)
График истории обучения
(Извините, я еще не могу встроить изображение, проверьте ссылку)
Вот моя модель
def unet(input_size=(256,256,1)):
inputs = Input(input_size)
conv1 = Conv2D(32, (3, 3), activation='relu', padding='same')(inputs)
conv1 = Conv2D(32, (3, 3), activation='relu', padding='same')(conv1)
pool1 = MaxPooling2D(pool_size=(2, 2))(conv1)
conv2 = Conv2D(64, (3, 3), activation='relu', padding='same')(pool1)
conv2 = Conv2D(64, (3, 3), activation='relu', padding='same')(conv2)
pool2 = MaxPooling2D(pool_size=(2, 2))(conv2)
conv3 = Conv2D(128, (3, 3), activation='relu', padding='same')(pool2)
conv3 = Conv2D(128, (3, 3), activation='relu', padding='same')(conv3)
pool3 = MaxPooling2D(pool_size=(2, 2))(conv3)
conv4 = Conv2D(256, (3, 3), activation='relu', padding='same')(pool3)
conv4 = Conv2D(256, (3, 3), activation='relu', padding='same')(conv4)
pool4 = MaxPooling2D(pool_size=(2, 2))(conv4)
conv5 = Conv2D(512, (3, 3), activation='relu', padding='same')(pool4)
conv5 = Conv2D(512, (3, 3), activation='relu', padding='same')(conv5)
up6 = concatenate([Conv2DTranspose(256, (2, 2), strides=(2, 2), padding='same')(conv5), conv4], axis=3)
conv6 = Conv2D(256, (3, 3), activation='relu', padding='same')(up6)
conv6 = Conv2D(256, (3, 3), activation='relu', padding='same')(conv6)
up7 = concatenate([Conv2DTranspose(128, (2, 2), strides=(2, 2), padding='same')(conv6), conv3], axis=3)
conv7 = Conv2D(128, (3, 3), activation='relu', padding='same')(up7)
conv7 = Conv2D(128, (3, 3), activation='relu', padding='same')(conv7)
up8 = concatenate([Conv2DTranspose(64, (2, 2), strides=(2, 2), padding='same')(conv7), conv2], axis=3)
conv8 = Conv2D(64, (3, 3), activation='relu', padding='same')(up8)
conv8 = Conv2D(64, (3, 3), activation='relu', padding='same')(conv8)
up9 = concatenate([Conv2DTranspose(32, (2, 2), strides=(2, 2), padding='same')(conv8), conv1], axis=3)
conv9 = Conv2D(32, (3, 3), activation='relu', padding='same')(up9)
conv9 = Conv2D(32, (3, 3), activation='relu', padding='same')(conv9)
conv10 = Conv2D(1, (1, 1), activation='sigmoid')(conv9)
return Model(inputs=[inputs], outputs=[conv10])
Вот функция потерь
import keras.backend as K
smooth=100
def dice_coef(y_true, y_pred):
y_truef=K.flatten(y_true)
y_predf=K.flatten(y_pred)
And=K.sum(y_truef* y_predf)
return((2* And + smooth) / (K.sum(y_truef) + K.sum(y_predf) + smooth))
def dice_coef_loss(y_true, y_pred):
return -dice_coef(y_true, y_pred)
Компиляция
model.compile(optimizer=Adam(lr=1e-5), loss=dice_coef_loss, metrics=["binary_accuracy", dice_coef_loss, iou])
Примечание
Я пробовал:
- настройка скорости обучения
- настройка размера пакета
- увеличение данных
- изменение функции потерь
Если кто-то хочет посмотреть на код здесь - ссылка на ядро kaggle
Примечание к дополнению
Чтобы прояснить себе:
Был создан 1-й и 2-й графики из той же функции с использованием того же набора данных (либо из времени поезда, либо из времени проверки), поэтому я хочу, чтобы кривая train_loss с 1-го графика была равна train_dice_coef_loss с 3-го участка т. И кривая val_loss с 1-го графика равна val_dice_coef_loss с 3-го графика.
Но, к сожалению, кривая val_loss не соответствует кривой val_dice_coef_loss.
PS Я здесь новичок. Любые предложения по улучшению моего вопроса приветствуются. Спасибо.