Как мне повысить точность проверки моей модели

Question

Я делаю модель классификации изображений с 2445 изображениями и 21 категорией.Я не могу повысить точность проверки с 68%.

Размер входного изображения конвертируется до 75 x 75 пикселей в оттенках серого.В архитектуре используются два скрытых слоя свертки, и я попытался добавить еще один идентичный слой, который не помог в повышении точности проверки.

Как я могу манипулировать размером пикселя или архитектурой, чтобы повысить точность проверки?

Выход 20-й эпохи:

loss: 0.0694 - acc: 0.9779 - val_loss: 1.6924 - val_acc: 0.6801'''

архитектура модели:

model=Sequential()

Первый уровень

model.add(Conv2D(64,(3,3),input_shape=X.shape[1:]))
model.add(Activation("relu"))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Dropout(0.3))

Второй уровень

model.add(Conv2D(64,(3,3),input_shape=X.shape[1:]))
model.add(Activation("relu"))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Dropout(0.3))
model.add(Flatten()) 
model.add(Dense(64)) 
model.add(Activation("relu"))
model.add(Dense(num_classes)) 
model.add(Activation("softmax")) 
model.compile(loss='categorical_crossentropy',optimizer='adam',metrics['accuracy'])
model.fit(X,y_new,batch_size=32 ,epochs = 20, validation_split=0.1

Answer 1

1. Все ли ваши 2445 изображений равномерно распределены между 21 классом?
2. Стандартизируйте / нормализуйте свои данные.(Препроцесс)

  mean = np.mean(x_train)               
  stddev = np.std(x_train)
  x_train = (x_train - mean)/stddev
  x_test =  (x_test - mean)/stddev 

Используйте 'BatchNormalisation', чтобы нормализовать ваши данные после каждого слоя.

Answer 2

На самом деле преобразование изображения в оттенки серого или изменение его пикселей не обрабатываются слоями модели keras, это зависит от того, какие данные вы передаете для обучения и какую предварительную обработку вы делаете (если есть). Поэтому проверьте входные данные здесь X и y_new или покажите эту часть кода в самом вопросе.