низкая точность проверки и не меняется - PullRequest
Новая
       14

низкая точность проверки и не меняется

0 голосов
/ 02 июля 2019

Я тренирую модель с сеткой inception_v3 в керасе, чтобы классифицировать изображения по 4 категориям. Тем не менее, после многократной отладки моя точность проверки не изменилась, и точность обучения достигает очень высокого уровня - около 95% в первую эпоху. Я получил большой набор данных, включающий 407 файлов TF-записей. кто-нибудь может мне помочь?

Я пытаюсь классифицировать изображения по 4 категориям: Crystal, Clear, Precipitate и Other, их метки 0, 1, 2, 3. Но мой код, похоже, не дает хорошего результата. https://marco.ccr.buffalo.edu/download Это веб-сайт набора данных.

Я не знаю, почему учебный акк так быстро увеличивается, в то время как аккредитация не меняется даже до более чем 10 эпох. Там должна быть какая-то проблема с моим кодом. Кто-нибудь может мне помочь? 

batch_size = 64
num_classes = 4
epochs = 2000
train_steps_per_epoch = 6500
vali_steps_per_epoch = 735

ignore_order = tf.data.Options()
ignore_order.experimental_deterministic = False
AUTO = tf.data.experimental.AUTOTUNE

train_files = tf.data.Dataset.list_files(r"\train*", seed=2)
train_files = train_files.with_options(ignore_order)
train_files = train_files.interleave(tf.data.TFRecordDataset, 
                             cycle_length=407,
                             num_parallel_calls=tf.data.experimental.AUTOTUNE)

validation_files = tf.data.Dataset.list_files(r"\test*", seed=3)
validation_files = validation_files.with_options(ignore_order)
validation_files = validation_files.interleave(tf.data.TFRecordDataset,
                                                cycle_length=46,
                                                num_parallel_calls=tf.data.experimental.AUTOTUNE)

def decode_example(example_proto):
    image_feature_description = {
    'image/height': tf.io.FixedLenFeature([], tf.int64),
    'image/width': tf.io.FixedLenFeature([], tf.int64),
    'image/colorspace': tf.io.FixedLenFeature([], tf.string),
    'image/channels': tf.io.FixedLenFeature([], tf.int64),
    'image/class/label': tf.io.FixedLenFeature([], tf.int64),
    'image/class/raw': tf.io.FixedLenFeature([], tf.int64),
    'image/class/source': tf.io.FixedLenFeature([], tf.int64),
    'image/class/text': tf.io.FixedLenFeature([], tf.string),
    'image/format': tf.io.FixedLenFeature([], tf.string),
    'image/filename': tf.io.FixedLenFeature([], tf.string),
    'image/id': tf.io.FixedLenFeature([], tf.int64),
    'image/encoded': tf.io.FixedLenFeature([], tf.string),
}
    parsed_features = tf.io.parse_single_example(example_proto, image_feature_description)
    height = tf.cast(parsed_features['image/height'], tf.int32)
    width = tf.cast(parsed_features['image/width'], tf.int32)
    channels = tf.cast(parsed_features['image/channels'], tf.int32)
    label = tf.cast(parsed_features['image/class/label'], tf.int32)
    image_buffer = parsed_features['image/encoded']
    image = tf.io.decode_jpeg(image_buffer, channels=3)
    image = tf.image.central_crop(image, 0.8)
    image = tf.image.resize(image, [299, 299])
    image /= 255.0
    return image, label

def image_augmentation(image, label):
    if random.random() < 0.5:
        image = tf.image.random_flip_left_right(image)
        image = tf.image.random_brightness(image=image, max_delta=32/255)
        image = tf.image.random_contrast(image, 0.5, 1.5)
        image = tf.image.random_hue(image, 0.2)
    return image, label

def processed_dataset(dataset):
    dataset = dataset.shuffle(buffer_size=10000, seed=1)
    dataset = dataset.repeat()
    dataset = dataset.batch(batch_size)
    return dataset

def data_generator(dataset):
    iter = tf.compat.v1.data.make_one_shot_iterator(dataset)
    image, label = iter.get_next()
    while True:
        yield image, tf.keras.utils.to_categorical(label, num_classes=num_classes)

train_dataset = train_files.map(decode_example, num_parallel_calls=AUTO)
train_dataset = train_dataset.map(image_augmentation, num_parallel_calls=AUTO)
train_dataset = processed_dataset(train_dataset)
validation_dataset = validation_files.map(decode_example, num_parallel_calls=AUTO)
validation_dataset = processed_dataset(validation_dataset)

Результаты: 

Epoch 1/2000
6500/6500 [==============================] - 3942s 606ms/step - loss: 0.0065 - accuracy: 0.9982 - val_loss: 3.2384 - val_accuracy: 0.4062
Epoch 2/2000
6500/6500 [==============================] - 3151s 485ms/step - loss: 8.6521e-04 - accuracy: 1.0000 - val_loss: 3.2648 - val_accuracy: 0.4062
Epoch 3/2000
6500/6500 [==============================] - 3152s 485ms/step - loss: 8.1589e-04 - accuracy: 1.0000 - val_loss: 3.2768 - val_accuracy: 0.4062
Epoch 4/2000
6500/6500 [==============================] - 3152s 485ms/step - loss: 7.9254e-04 - accuracy: 1.0000 - val_loss: 3.2835 - val_ac
...