使用 Tensorflow 的神经网络精度低

Posted 2023-03-12

【中文标题】使用 Tensorflow 的神经网络精度低

【英文标题】：Low accuracy in neural network with Tensorflow

【发布时间】：2018-07-07 08:10:15

【问题描述】：

我在神经网络上关注Google code lab，我决定使用Cifar10 数据集而不是 MNIST 数据集来制作一个简单的图像分类器，但由于某种原因，我的准确率非常低且交叉熵很高。

训练后准确率约为 0.1（从不超过 0.2），交叉熵不低于 230。

我的代码：

import tensorflow as tf
import numpy as np
import matplotlib as mpt
# Just disables the warning, doesn't enable AVX/FMA
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

def unpickle(file):
    import pickle
    with open(file, 'rb') as fo:
        dict = pickle.load(fo, encoding='bytes')
    return dict

def returnMiniBatch(dictionary,start,number):
    matrix=np.zeros([number,3072],dtype=np.int)
    labels=np.zeros([number],dtype=np.int)
    for i in range(0,number):
        matrix[i]=dictionary[b'data'][i+start]
        labels[i]=dictionary[b'labels'][i+start]
    return matrix,labels

def formatLabels(labels,number):
    lab=np.zeros([number,10])
    for i in range(0,number):
        lab[i][labels[i]]=1
    return lab

data='D:/cifar-10-python/cifar-10-batches-py/data_batch_1'
dictionary=unpickle(data)
tf.set_random_seed(0)

L = 200
M = 100
N = 60
O = 30


X=tf.placeholder(tf.float32,[None,3072])
Y_=tf.placeholder(tf.float32,[None,10])



W1 = tf.Variable(tf.truncated_normal([3072,L],stddev=0.1))
B1 = tf.Variable(tf.ones([L])/10)
W2 = tf.Variable(tf.truncated_normal([L, M], stddev=0.1))
B2 = tf.Variable(tf.ones([M])/10)
W3 = tf.Variable(tf.truncated_normal([M, N], stddev=0.1))
B3 = tf.Variable(tf.ones([N])/10)
W4 = tf.Variable(tf.truncated_normal([N, O], stddev=0.1))
B4 = tf.Variable(tf.ones([O])/10)
W5 = tf.Variable(tf.truncated_normal([O, 10], stddev=0.1))
B5 = tf.Variable(tf.ones([10]))

Y1 = tf.nn.relu(tf.matmul(X, W1) + B1)
Y2 = tf.nn.relu(tf.matmul(Y1, W2) + B2)
Y3 = tf.nn.relu(tf.matmul(Y2, W3) + B3)
Y4 = tf.nn.relu(tf.matmul(Y3, W4) + B4)


Ylogits = tf.matmul(Y4, W5) + B5
Y = tf.nn.softmax(Ylogits)

cross_entropy = tf.nn.softmax_cross_entropy_with_logits(logits=Ylogits,         
                labels=Y_)
cross_entropy = tf.reduce_mean(cross_entropy)*100

correct_prediction=tf.equal(tf.argmax(Y,1),tf.argmax(Y_,1))
accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))

train_step = tf.train.AdamOptimizer(0.003).minimize(cross_entropy)

init=tf.global_variables_initializer()
sess=tf.Session()
sess.run(init)

def training_step(i):
    global dictionary
    val,lab=returnMiniBatch(dictionary,i * 100,100)
    Ylabels=formatLabels(lab,100)
    _,a,c = sess.run([train_step,accuracy, cross_entropy], feed_dict=X: 
                     val, Y_: Ylabels)
    print("Accuracy: ",a)
    print("Cross-Entropy",c)

for i in range (0,100):
    training_step(i%100)

【参考方案1】：

如果我没记错的话，那看起来像是一个非卷积网络。您需要寻找卷积网络架构。所以寻找一些使用 conv2d 的教程。

原因：MNIST 是单通道、二进制数据。 CIFAR 是具有 8 位颜色的 3 通道 (RGB)。仅仅增加输入占位符的大小是不够的。您需要告诉网络三个通道（和相邻像素）是相关的。您可以使用卷积网络架构来做到这一点。

0.1 表示不比随机机会好。网络没有学习任何泛化的东西。

【参考方案2】：

解决方案是标准化输入数据。 我添加了一个新函数来规范化数据

def formatData(values):
    ret = values.reshape(100,3072).astype("float32")
    ret/=255
    return ret

并在将数据添加到提要字典之前对其进行格式化。

X_Data=formatData(val)
    _,a,c = sess.run([train_step,accuracy, cross_entropy], feed_dict=X: 
                     X_Data, Y_: Ylabels)

在此更改之后，网络开始正常学习（这里的卷积网络仍然要好得多，因为Pam 指向了指针）。