Deep learning 为什么我的准确度从训练开始就很高？

我正在训练一个神经网络来识别.png图片上的一些属性，当我开始训练时，我得到的结果是这样的，它一直在增加，直到新纪元结束：

32/4817[……]-预计到达时间：167s-损失：0.6756-附件：0.5
64/4817[……]-预计到达时间：152s-损失：0.6214-附件：0.7
96/4817[……]-预计到达时间：145s-损失：0.6169-附件：0.7
128/4817[……]预计到达时间：142s-损失：0.5972-附件：0.7
160/4817[……]预计到达时间：140秒-损失：0.5734-附件：0.7
192/4817[>]预计到达时间：138s-损耗：0.5604-附件：0.7
224/4817[>]预计到达时间：137s-损失：0.5427-附件：0.7
256/4817[>]预计到达时间：135秒-损耗：0.5160-附件：0.7
288/4817[>..]预计到达时间：134s-损失：0.5492-附件：0.7
320/4817[>]预计到达时间：133s-损耗：0.5574-附件：0.7
352/4817[=>预计到达时间：131s-损失：0.5559-附件：0.7
384/4817[=>预计到达时间：129s-损失：0.5550-附件：0.7
416/4817[=>预计到达时间：128s-损失：0.5504-附件：0.7
448/4817[=>预计到达时间：127s-损失：0.5417-附件：0.7
480/4817[=>………]预计到达时间：126s-损失：0.5425-附件：0.7

我的问题是，为什么起跑准确率这么高？我想应该是0.1左右，然后在学习时增加

最后，我得到：

（“测试损耗：”，0.42451223436727564）
（“测试精度：”，0.82572614112830256）

这是不是太大的测试损失

这是我的网络：

input\u shape=x\u列[0]。shape
打印（输入图形）
模型=顺序（）
stoplearn=keras.callbacks.EarlyStopping（monitor='val_loss'，min_delta=0，
耐心=0，详细=0，模式=自动）
add（Conv2D（32，内核大小=（3,3），
激活='relu'，
输入形状=输入形状）
添加（Conv2D（64，（3,3），activation='relu'））
add（MaxPooling2D（池大小=（2,2）））
模型。添加（辍学率（0.25））
model.add（展平（））
添加（密集（128，activation='relu'））
模型。添加（辍学率（0.5））
model.add（密集（2，activation='softmax'））
model.compile（loss=keras.loss.categorical_交叉熵，
optimizer=keras.optimizers.Adadelta（），
指标=[‘准确度’]）
模型安装（x_系列、y_系列、，
批次大小=批次大小，
纪元=20，
verbose=1，
验证数据=（x检验，y检验），
回调=[stoplearn]）
分数=模型。评估（x_检验，y_检验，详细度=0）
打印（'测试损失：'，分数[0]）
打印（'测试精度：'，分数[1]）

---

它是使用Keras用Python编写的。

您将数据分为两类（因为输出层的大小为2），因此0.5的精度不高。事实上，这意味着您的网络行为是随机的，这正是您在开始时所期望的。关于损失，没有绝对的答案。您的测试精度似乎还不错，您可以尝试使用一些参数（例如，对完全连接的层使用较小的尺寸），看看是否可以提高它。

您有两个类。随机选择将导致50%的准确率。这就是你一开始得到的。因此，你的结果是意料之中的

它直接跳到70%准确率的原因可能是你的问题很简单

如果你想再检查一遍，你可以

使用其他分类器

检查用于计算精度的示例数量

序列化经过训练的分类器，并手动为其提供新示例，并检查其结果

---

你在做二进制分类任务吗？您的数据集是否平衡？您是否尝试初始化种子以复制输出？“事实上，这意味着您的网络行为是随机的，这是您在开始时所期望的”-虽然这可能是真的，但您无法得出结论。在一个我可以完美解决的任务中，我也可以给你50%准确率的答案。@Martin Thoma完美解决方案（又名模型）的准确率是100%，而不是50%。我认为米里亚姆的论点是正确的。我说的是一个成年人，他会问一些基本的算术问题。人类可以给出任何他想要的准确性，因为他知道什么是正确的。让我们举一个可能更好的例子：假设您的训练集中有一个与类相等的特性。模型只学习使用该特性是非常有意义的。因此，该模型并非随机行为。但该特性仅在测试集中50%的情况下正确。因此，您有50%的准确率，并且与的网络不会出现随机行为。@Martin Thomas感谢您的澄清！我看到米里亚姆的论点仍然站得住脚，因为模型随机选择了它总是预测的一面（也就是一类）。然后它确实非随机地坚持这个选择，并达到50%的准确率，正如您正确指出的那样。我只是想确保OP明白模型仍然没有学到任何有用的东西。。。