Machine learning keras（cnn+；nn）预测4个类别中只有一个类别
我使用两个不同的数据集，每个数据集有1200个图像。第一个数据集有4个类，第二个数据集有6个类 这是一个简单的图像分类问题。但是，在训练期间，在每一个历元中，我得到的两个数据集的验证精度值是相同的 我已经使用imagemagick将两个数据集的所有图像调整为100x100 我不知道我在哪里犯了错误。 提前谢谢 终端输出：Machine learning keras（cnn+；nn）预测4个类别中只有一个类别,machine-learning,neural-network,image-recognition,conv-neural-network,keras,Machine Learning,Neural Network,Image Recognition,Conv Neural Network,Keras,我使用两个不同的数据集，每个数据集有1200个图像。第一个数据集有4个类，第二个数据集有6个类 这是一个简单的图像分类问题。但是，在训练期间，在每一个历元中，我得到的两个数据集的验证精度值是相同的 我已经使用imagemagick将两个数据集的所有图像调整为100x100 我不知道我在哪里犯了错误。 提前谢谢 终端输出： Using Theano backend. Couldn't import dot_parser, loading of dot files will not be possi
Using Theano backend.
Couldn't import dot_parser, loading of dot files will not be possible.
X_train shape: (880, 3, 100, 100)
880 train samples
220 test samples
train:
0 418
3 179
2 174
1 109
dtype: int64
test:
0 98
3 55
2 43
1 24
dtype: int64
Train on 880 samples, validate on 220 samples
Epoch 1/5
880/880 [==============================] - 582s - loss: 1.3444 - acc: 0.4500 - val_loss: 1.2752 - val_acc: 0.4455
Epoch 2/5
880/880 [==============================] - 540s - loss: 1.2624 - acc: 0.4750 - val_loss: 1.2802 - val_acc: 0.4455
Epoch 3/5
880/880 [==============================] - 540s - loss: 1.2637 - acc: 0.4750 - val_loss: 1.2712 - val_acc: 0.4455
Epoch 4/5
880/880 [==============================] - 538s - loss: 1.2484 - acc: 0.4750 - val_loss: 1.2623 - val_acc: 0.4455
Epoch 5/5
880/880 [==============================] - 537s - loss: 1.2375 - acc: 0.4750 - val_loss: 1.2486 - val_acc: 0.4455
prediction on test data:
In [26]: model.predict_classes(X_test)
220/220 [==============================] - 37s
Out[26]:
array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0])
from\uuuuu future\uuuuu导入打印功能
从keras.dataset导入cifar10
从keras.preprocessing.image导入ImageDataGenerator
从keras.models导入顺序
从keras.layers.core导入致密、脱落、激活、展平、重塑
从keras.layers.convolution导入卷积2D、MaxPoolig2D、卷积1D、MaxPoolig1D
从keras.optimizers导入新加坡元
从keras.utils导入np_utils、generic_utils
将numpy作为np导入
从sklearn.cross\u验证导入序列测试\u分割
作为pd进口熊猫
批量大小=30
nb_类=4
nb_epoch=10
img_行，img_列=100100
img_通道=3
X=np.load（'image data.npy'）
y=np.load（'image class.npy'）
#数据在训练集和测试集之间混合和分割
X_序列，X_测试，y_序列，y_测试=序列测试分割（X，y，测试大小=0.2，随机状态=100）
打印（'X_列形状：'，X_列形状）
打印（X_序列形状[0]，“序列样本”）
打印（X_测试形状[0]，“测试样本”）
打印（“序列号：\n”，局部放电值\u计数（y\u序列））
打印（“测试：\n”，局部放电值\u计数（y\u测试））
Y_列=np_实用到分类（Y_列，nb_类）
Y_测试=np_实用到_分类（Y_测试，nb_类）
模型=顺序（）
添加（卷积2D（32,3,3，border_mode='same'，input_shape=（img_通道，img_行，img_列）））
添加（激活（'relu'））
模型添加（卷积2D（32,3,3））
添加（激活（'relu'））
add（MaxPooling2D（池大小=（2,2），跨步=（1,1）））
模型。添加（辍学率（0.25））
添加（卷积2D（64,3,3，border_mode='same'））
添加（激活（'relu'））
模型添加（卷积2D（64,3,3））
添加（激活（'relu'））
add（MaxPooling2D（池大小=（2,2），跨步=（1,1）））
模型。添加（辍学率（0.25））
model.add（展平（））
模型.添加（密度（256））
添加（激活（'relu'））
模型。添加（辍学率（0.25））
模型添加（密集（nb_类））
添加（激活（'softmax'））
sgd=sgd（lr=0.01，衰变=1e-6，动量=0.9，nesterov=True）
compile（loss='classifical\u crossentropy'，optimizer=sgd）
模型拟合（X_序列，Y_序列，批次大小=批次大小，nb_历元=nb_历元，随机数=真，显示精度=真，验证数据=（X_测试，Y_测试））
out=模型预测类（X检验）