相关疑难解决方法(0)

我使用tensorflow运行深度学习模型(CNN).在这个时代,我已经多次观察到损失和准确性都有所增加,或两者都有所减少.我的理解是两者总是成反比关系的.什么可能是同时增加或减少的情况.

我使用Keras库实现的神经网络,以及下面的训练结果.最后,它打印测试分数和测试准确性.我无法确切地知道得分代表什么,但我认为准确度是运行测试时正确的预测数量.

Epoch 1/15 1200/1200 [==============================] - 4s - 损失:0.6815 - acc:0.5550 - val_loss:0.6120 - val_acc:0.7525

Epoch 2/15 1200/1200 [==============================] - 3s - 损失:0.5481 - acc:0.7250 - val_loss:0.4645 - val_acc:0.8025

Epoch 3/15 1200/1200 [==============================] - 3s - 损失:0.5078 - acc:0.7558 - val_loss:0.4354 - val_acc:0.7975

Epoch 4/15 1200/1200 [==============================] - 3s - 损失:0.4603 - acc:0.7875 - val_loss:0.3978 - val_acc:0.8350

Epoch 5/15 1200/1200 [==============================] - 3s - 损失:0.4367 - acc:0.7992 - val_loss:0.3809 - val_acc:0.8300

Epoch 6/15 1200/1200 [==============================] - 3s - 损失:0.4276 - …

我想做一个图像分类器，但是我不懂python。Tensorflow.js使用我熟悉的javascript。可以用它训练模型吗？要这样做的步骤是什么？坦白说，我不知道从哪里开始。

我唯一想到的是如何加载“移动网络”，该网络显然是一组经过预先训练的模型，并使用该模型对图像进行分类：

const tf = require('@tensorflow/tfjs'),
      mobilenet = require('@tensorflow-models/mobilenet'),
      tfnode = require('@tensorflow/tfjs-node'),
      fs = require('fs-extra');

const imageBuffer = await fs.readFile(......),
      tfimage = tfnode.node.decodeImage(imageBuffer),
      mobilenetModel = await mobilenet.load();  

const results = await mobilenetModel.classify(tfimage);

可以，但是对我没有用，因为我想使用带有创建的标签的图像来训练自己的模型。

=======================

说我有一堆图像和标签。如何使用它们训练模型？

const myData = JSON.parse(await fs.readFile('files.json'));

for(const data of myData){
  const image = await fs.readFile(data.imagePath),
        labels = data.labels;

  // how to train, where to pass image and labels ?

}

在每个时期结束时，例如，我得到以下输出：

Epoch 1/25
2018-08-06 14:54:12.555511: 
2/2 [==============================] - 86s 43s/step - loss: 6.0767 - acc: 0.0469 - val_loss: 4.1037 - val_acc: 0.2000
Epoch 2/25
2/2 [==============================] - 26s 13s/step - loss: 3.6901 - acc: 0.0938 - val_loss: 2.5610 - val_acc: 0.0000e+00
Epoch 3/25
2/2 [==============================] - 66s 33s/step - loss: 3.1491 - acc: 0.1406 - val_loss: 2.4793 - val_acc: 0.0500
Epoch 4/25
2/2 [==============================] - 44s 22s/step - loss: 3.0686 - acc: 0.0694 - val_loss: 2.3159 - val_acc: 0.0500
Epoch …