Я использую tensorflow-gpu 1.9.0 для совместимости с версиями CUDA и cuDNN на наших машинах с графическим процессором.Это может быть актуально.
У меня есть сверточный автоэнкодер для извлечения признаков медицинских изображений.Не беспокоясь о возможном переоснащении, я могу сказать, насколько «хороша» текущая модель, просто взглянув на выходное изображение по сравнению с входным (поскольку автоэнкодер пытается восстановить входные данные, используя только узкие места).Я знаю, что модель не обязательно извлекает больше полезных функций, тем лучше она восстанавливает входные данные, но это не проблема и не вопрос.
Моя проблема заключается в следующем: потери в тренировке и точность сходятся примерно через 45 эпох,Если я посмотрю на вывод, то смогу ясно увидеть, что форма напоминает исходное изображение (я не могу показать эти изображения здесь).Если я продолжу тренировать модель, потери не продолжат уменьшаться (и при этом точность не увеличивается), , но , модель будет лучше восстанавливать входные данные.Я могу сказать, просто сравнив вход и выход рядом.
Я обучил модель до 1000 эпох.Восстановленные изображения намного лучше, чем у моделей 45 эпох, но потери одинаковы для обеих моделей (0,0070), одинаковы с точностью.
Это совершенно неожиданное поведение.Как может модель улучшиться, если потери останутся прежними?
Я использую функцию потерь binary_crossentropy.