使用Keras深度学习进行图层计数

Posted 2021-03-29

我正在研究我的第一个深度学习项目，用卷积神经网络计算图像中的图层。

在解决了大量错误之后，我终于可以训练我的模型了。但是，我的准确率为0;在第二纪元之后它就停止了，因为它没有学到任何东西。

输入将是1200 x 100大小的图像，输出将是整数。

如果有人可以查看我的模型，可以提出建议。那将是非常棒的。

谢谢。

from keras.layers import Reshape, Conv2D, MaxPooling2D, Flatten


model = Sequential()
model.add(Convolution2D(32, 5, 5, activation='relu', input_shape=(1,1200,100)))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Convolution2D(64, 5, 5, activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Flatten())
model.add(Dense(1, activation='relu'))



batch_size = 1
epochs = 10
sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(sgd, loss='poisson', metrics=['accuracy'])

earlyStopping=keras.callbacks.EarlyStopping(monitor='val_loss', patience=0, verbose=0, mode='auto')
history = model.fit(xtrain, ytrain, batch_size=batch_size, nb_epoch=epochs, validation_data=validation, callbacks=[earlyStopping], verbose=1)

答案

批评有这么多东西？

1. 1200 * 100大小的图像（我认为它们是像素）对于CNN而言是如此之大。在ImageNet比赛中，图像全部为224 * 224,299 * 299。你为什么不在最后一层使用线性或sigmoid激活？
2. 您是否将输出在0和1之间标准化？将其标准化，只需将输出除以输出的最大值，并在训练/预测后使用CNN时乘以相同的数字。
3. 不要将它与小数据一起使用，不必要：earlyStopping = keras.callbacks.EarlyStopping（monitor ='val_loss'，耐心= 0，详细= 0，模式='自动'）
4. 使用Adam将优化器降低到0.001。

你的数据实际上并不大，它应该可以工作，可能你的问题在于输出/输入的标准化，检查它们。