Keras 卷积神经网络验证精度不变

Question

我在一堆我自己的图像数据上运行卷积神经网络（这个），形状（通道数，高度，宽度）=（3, 30, 30）。我有76960个训练样本，19240个测试样本，一共有39个类。最后几块代码是：

# Train the model using Stochastic grad descent + momentum
sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
cnn.compile(loss='categorical_crossentropy',
             optimizer=sgd,
             metrics=['accuracy'])


batch_size = 128
nb_epoch = 50

cnn.fit(x_train, y_train,
        batch_size = batch_size,
        nb_epoch = nb_epoch,
        validation_data=(x_test, y_test),
       shuffle=True)

训练损失和准确率随 epoch 变化，但验证准确率仅从第 1 个到第 2 个 epoch（从 0.3387 到 0.3357）发生变化，然后一直保持在 0.3357。

我尝试过不同的批量大小（32、128 或 256）、学习率（从 1e-6 到 0.1，一路乘以 10）并尝试使用或不使用数据标准化（基本均值偏移和除以 sd ）。这些都没有奏效。

Answer 1

您陷入困境的百分比准确率（33.5%）与属于优势类别的示例百分比相同（您说“大约 34%” - 几乎可以肯定是 33.5%），这并非巧合。

问题是你没有规范化你的图像数据。如果您的像素值介于 1 到 255 之间，您的模型将永远无法预测每次都相同的类别。要确认这种情况正在发生，请使用model.predict(x_train)并查看您的模型预测的内容。我敢打赌，它是完全一致的，而且它始终是占数据 34% 的类。

要解决此问题，只需将数据标准化 -x_train在开始训练模型之前除以255。

x_train = x_train/255.0