Keras 用于二元分类预测的 fit_generator() 总是 50%

Posted 2023-03-13

【中文标题】Keras 用于二元分类预测的 fit_generator() 总是 50%

【英文标题】：Keras' fit_generator() for binary classification predictions always 50%

【发布时间】：2019-04-18 02:37:01

【问题描述】：

我已经建立了一个模型来训练对图像是否是某个视频游戏进行分类。我将pre-scaled 我的图像转换为250x250 像素，并将它们分成两个文件夹（两个二进制类），分别标记为0 和1。这两个类的数量在~100 范围内，我总共有大约3500 个图像。

以下是训练过程、模型设置和一些预测的照片：https://imgur.com/a/CN1b6LV

train_datagen = ImageDataGenerator(
    rescale=1. / 255,
    shear_range=0,
    zoom_range=0,
    horizontal_flip=True,
    width_shift_range=0.1,
    height_shift_range=0.1,
    validation_split=0.2)
train_generator = train_datagen.flow_from_directory(
    'data\\',
    batch_size=batchsize,
    shuffle=True,
    target_size=(250, 250),
    subset="training",
    class_mode="binary")
val_generator = train_datagen.flow_from_directory(
    'data\\',
    batch_size=batchsize,
    shuffle=True,
    target_size=(250, 250),
    subset="validation",
    class_mode="binary")
pred_datagen = ImageDataGenerator(
    rescale=1. / 255,
    shear_range=0,
    zoom_range=0,
    horizontal_flip=False,
    width_shift_range=0.1,
    height_shift_range=0.1)
pred_generator = pred_datagen.flow_from_directory(
    'batch_pred\\',
    batch_size=30,
    shuffle=False,
    target_size=(250, 250))


model = Sequential()
model.add(Conv2D(input_shape=(250, 250, 3), filters=25, kernel_size=3, activation="relu", padding="same"))
model.add(Conv2D(filters=32, kernel_size=3, activation="relu", padding="same"))
model.add(Conv2D(filters=32, kernel_size=3, activation="relu", padding="same"))
model.add(MaxPooling2D(pool_size=2,  padding="same", strides=(2, 2)))
model.add(BatchNormalization())
model.add(Conv2D(filters=64, kernel_size=3, activation="relu", padding="same"))
model.add(Conv2D(filters=64, kernel_size=3, activation="relu", padding="same"))
model.add(Conv2D(filters=64, kernel_size=3, activation="relu", padding="same"))
model.add(MaxPooling2D(pool_size=2, padding="same", strides=(2, 2)))
model.add(BatchNormalization())
model.add(Conv2D(filters=128, kernel_size=3, activation="relu", padding="same"))
model.add(Conv2D(filters=128, kernel_size=3, activation="relu", padding="same"))
model.add(Conv2D(filters=128, kernel_size=3, activation="relu", padding="same"))
model.add(MaxPooling2D(pool_size=2, padding="same", strides=(2, 2)))
model.add(Conv2D(filters=256, kernel_size=3, activation="relu", padding="same"))
model.add(Conv2D(filters=256, kernel_size=3, activation="relu", padding="same"))
model.add(Conv2D(filters=256, kernel_size=3, activation="relu", padding="same"))
model.add(MaxPooling2D(pool_size=2, padding="same", strides=(2, 2)))
model.add(BatchNormalization())
dense = False
if dense:
    model.add(Flatten())
    model.add(Dense(250, activation="relu"))
    model.add(BatchNormalization())
    model.add(Dense(50, activation="relu"))
else:
    model.add(GlobalAveragePooling2D())
model.add(Dense(1, activation="softmax"))
model.compile(loss='binary_crossentropy',
              optimizer=Adam(0.0005), metrics=["acc"])
callbacks = [EarlyStopping(monitor='val_acc', patience=200, verbose=1),
             ModelCheckpoint(filepath="model_checkpoint.h5py",
                             monitor='val_acc', save_best_only=True, verbose=1)]
model.fit_generator(
      train_generator,
      steps_per_epoch=train_generator.samples // batchsize,
      validation_data=val_generator,
      validation_steps=val_generator.samples // batchsize,
      epochs=500,
      callbacks=callbacks)

就model 按纪元迭代数据、找到正确数量的图像等而言，一切似乎都运行正确。然而，我的预测始终是50%，尽管验证准确度好、损失低、准确度高等等

我不确定自己做错了什么，如果有任何帮助，我们将不胜感激。

【问题讨论】：

如果以下答案之一解决了您的问题，请接受点击答案旁边的复选标记将其标记为“已回答” - 请参阅What should I do when someone answers my question?

【参考方案1】：

问题是您在一个单元的密集层上使用softmax。 Softmax 函数对其输入进行归一化，使其元素之和等于 1。因此，如果它有一个单元，那么输出将始终为 1。相反，对于二进制分类，您需要使用 sigmoid 函数作为最后一层的激活函数。

【讨论】：

我很欣赏这个建议，但我已经尝试过 sigmoid 而不是 softmax，我遇到了同样的问题！事实上，当我使用 softmax 时，我的损失/准确率在训练中非常差，使用 sigmoid 我的准确率/验证准确率达到 95%+，但每个预测仍然达到 50%。

@CharlesAnderson 在使用predict() 方法之前，您是否通过将测试图像除以 255.0 来重新缩放测试图像？

@CharlesAnderson 好的，我看到你已经定义了一个 pred_generator，我认为你可以在 predict_generator() 中使用它来进行预测。现在告诉我们你如何解释预测的结果？你如何找到预测的类？

【参考方案2】：

我认为您的问题是您使用 sigmoid 进行二进制分类，您的最终层激活函数应该是线性的。