Machine learning 基于图像的照明方向估计的机器学习?
机器学习和堆栈溢出的新手 最近,我一直在尝试创建一种机器学习算法,该算法基于对象的反射来估计光源的方向。 我知道这可能是一个复杂的问题,这就是为什么,作为第一步,我尽量简化它 我首先将问题从回归问题改为分类问题,只将其作为输出:光源位于对象的左侧或光源位于对象的右侧。 对于我的数据集,我也只改变一个角度 我的问题的简短版本:Machine learning 基于图像的照明方向估计的机器学习?,machine-learning,tensorflow,neural-network,computer-vision,Machine Learning,Tensorflow,Neural Network,Computer Vision,机器学习和堆栈溢出的新手 最近,我一直在尝试创建一种机器学习算法,该算法基于对象的反射来估计光源的方向。 我知道这可能是一个复杂的问题,这就是为什么,作为第一步,我尽量简化它 我首先将问题从回归问题改为分类问题,只将其作为输出:光源位于对象的左侧或光源位于对象的右侧。 对于我的数据集,我也只改变一个角度 我的问题的简短版本: 你认为机器学习有可能做到这一点吗?(我的经验太有限,无法真正确定) 如果是,什么样的神经网络更适合你?有线电视新闻网?R-CNN?LSTM?支持向量机 完成这项任务的管道
- 你认为机器学习有可能做到这一点吗?(我的经验太有限,无法真正确定)
- 如果是,什么样的神经网络更适合你?有线电视新闻网?R-CNN?LSTM?支持向量机
- 完成这项任务的管道是什么
- 图像大小调整为64x64图像
- 从RGB转换为灰度格式
- 10000个64x64灰度图片的平衡标记数据作为输入,0/1作为标签
- 3个卷积层,带滤波器[16,32,64],尺寸为[5,5]RELU
- 3个大小为[2,2]和步幅为[2,2]的池层
- 1个密集层,包含1024个隐藏神经元和脱落(速率=0.4)RELU
- 1个密集层,2个输出神经元(每类1个)Softmax
过滤器大小可能太大,因为您没有那么多过滤器。尝试5x5
并将过滤器的数量增加一点,例如3x3
32-64-64
- 我假设您使用的是
,而不是CONV-POLL-CONV-POLL-CONV-POOL
。只是为了确定一下CONV-CONV-POOL-POOL-POLL
- 在FC层中可能不需要那么多神经元。您只有两个类和非常相似的图像!将
减少为1024
256
- 您目前没有遇到任何过度装配的情况,因此暂时禁用退出:
keep_probability=1.0
- 注意初始化和学习率。在对数刻度中尝试不同的值,例如
,并检查学习模式是否发生变化learning\u rate=0.1、0.01、0.001
- 感谢@Maxim的回答。这非常有帮助,帮助我解决了问题,完善了我的人际网络
他向我指出了问题所在:数据标签错误
我对我的数据标签非常确定,但还是进行了验证
问题就在那里
我将答案写在这里,以便它可以帮助其他不知情的tensorflow用户:
如果使用tf.string\u input\u producer而不指定它,则默认值为:“Shuffle=True”,它将洗牌文件名队列
由于我对标签使用.csv文件,对图像使用.png文件夹,因此标签的读取顺序为1到10000,而.png文件是随机读取的
我对此感到非常愚蠢,但这就是你学习呵呵的方式。非常感谢@Maxim的帮助,数据标签错误是问题所在(见我的答案…),我对此感到非常愚蠢,但呵呵,这就是你学习呵呵的方式。也谢谢你的提示,它帮助了我