Нейронная сеть в Керасе Предикат_проба всегда возвращает вероятность, равную 1 - PullRequest
Новая
       12

Нейронная сеть в Керасе Предикат_проба всегда возвращает вероятность, равную 1

1 голос
/ 11 июня 2019

Я изучаю ML, нейронные сети на множестве MNIST, и у меня проблема с функциейgnast_proba.Я хочу получить вероятность предсказания, сделанного моей моделью, но когда я вызываю функцию предиката_процесса, я всегда получаю массив типа [0, 0, 1., 0, 0, ...], что означает, что модель всегда предсказывает с вероятностью 100%.

Не могли бы вы сказать мне, что не так в моей модели, почему это происходит и как это исправить?

Моя модель выглядит так: 

# Load MNIST data set and split to train and test sets
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

# Reshaping to format which CNN expects (batch, height, width, channels)
train_images = train_images.reshape(train_images.shape[0], train_images.shape[1], train_images.shape[2], 1).astype(
    "float32")
test_images = test_images.reshape(test_images.shape[0], test_images.shape[1], test_images.shape[2], 1).astype("float32")

# Normalize images from 0-255 to 0-1
train_images /= 255
test_images /= 255

# Use one hot encode to set classes
number_of_classes = 10

train_labels = keras.utils.to_categorical(train_labels, number_of_classes)
test_labels = keras.utils.to_categorical(test_labels, number_of_classes)

# Create model, add layers
model = Sequential()
model.add(Conv2D(32, (5, 5), input_shape=(train_images.shape[1], train_images.shape[2], 1), activation="relu"))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(32, (3, 3), activation="relu"))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.5))
model.add(Flatten())
model.add(Dense(128, activation="relu"))
model.add(Dropout(0.5))
model.add(Dense(number_of_classes, activation="softmax"))

# Compile model
model.compile(loss="categorical_crossentropy", optimizer=Adam(), metrics=["accuracy"])

# Learn model
model.fit(train_images, train_labels, validation_data=(test_images, test_labels), epochs=7, batch_size=200)

# Test obtained model
score = model.evaluate(test_images, test_labels, verbose=0)
print("Model loss = {}".format(score[0]))
print("Model accuracy = {}".format(score[1]))

# Save model
model_filename = "cnn_model.h5"
model.save(model_filename)
print("CNN model saved in file: {}".format(model_filename))

Для загрузки изображения Iиспользуйте PIL и NP.Я сохраняю модель, используя функцию сохранения из keras, и загружаю ее в другой скрипт, используя load_model из keras.models, а затем просто вызываю 

    def load_image_for_cnn(filename):
        img = Image.open(filename).convert("L")
        img = np.resize(img, (28, 28, 1))
        im2arr = np.array(img)
        return im2arr.reshape(1, 28, 28, 1)

    def load_cnn_model(self):
        return load_model("cnn_model.h5")

    def predict_probability(self, image):
        return self.model.predict_proba(image)[0]

. Использование выглядит следующим образом: 

predictor.predict_probability(predictor.load_image_for_cnn(filename))

1 Ответ

0 голосов
/ 11 июня 2019

Посмотрите на эту часть вашего кода: 

# Normalize images from 0-255 to 0-1
train_images /= 255
test_images /= 255

Вы не делаете это при загрузке новых изображений: 

def load_image_for_cnn(filename):
    img = Image.open(filename).convert("L")
    img = np.resize(img, (28, 28, 1))
    im2arr = np.array(img)
    return im2arr.reshape(1, 28, 28, 1)

Применение той же нормализации, что и для тренировочного набора, является обязательным требованием для проверки любого нового изображения, если вы этого не сделаете, вы получите странные результаты. Вы можете просто нормализовать пиксели изображения следующим образом: 

def load_image_for_cnn(filename):
    img = Image.open(filename).convert("L")
    img = np.resize(img, (28, 28, 1))
    im2arr = np.array(img)
    im2arr = im2arr / 255.0
    return im2arr.reshape(1, 28, 28, 1)
...