Python 3.x CNN输出精度低于50%

我对在python中使用无监督CNN模型很陌生。我尝试使用CNN模型对无监督的光谱图输入图像进行图像分类。每幅图像的宽度为523，高度为393。我已经尝试了以下代码

    X_data = []
files = glob.glob ("C:/train/*.png")
for myFile in files:
    image = cv2.imread (myFile)
    image_resized = misc.imresize(image, (523,393))
    image_resi = misc.imresize(image_resized, (28, 28))
    assert image_resized.shape == (523,393, 3), "img %s has shape %r" % (myFile, image_resized.shape)
    X_data.append (image_resi)

X_datatest = []
files = glob.glob ("C:/test/*.png")
for myFile in files:
    image = cv2.imread (myFile)
    image_resized = misc.imresize(image, (523,393))
    image_resi = misc.imresize(image_resized, (28, 28))
    assert image_resized.shape == (523,393, 3), "img %s has shape %r" % (myFile, image_resized.shape)
    X_datatest.append (image_resi)

input_img = Input(shape=(28,28,3))  

x = Conv2D(32, (3, 3), activation='relu', padding='same')(input_img)
x = MaxPooling2D((2, 2), padding='same')(x)
x = Conv2D(64, (3, 3), activation='relu', padding='same')(x)
x = MaxPooling2D((2, 2), padding='same')(x)
x = Conv2D(32, (3, 3), activation='relu', padding='same')(x)
encoded = MaxPooling2D((2, 2), padding='same')(x)

x = Conv2D(32, (3, 3), activation='relu', padding='same')(encoded)
x = UpSampling2D((2, 2))(x)
x = Conv2D(32, (3, 3), activation='relu', padding='same')(x)
x = UpSampling2D((2, 2))(x)
x = Conv2D(8, (3, 3), activation='relu')(x)
x = UpSampling2D((2, 2))(x)
decoded = Conv2D(3, (3, 3), activation='sigmoid', padding='same')(x)

autoencoder = Model(input_img, decoded)
autoencoder.compile(optimizer='adadelta', loss='binary_crossentropy', metrics=['accuracy'])
X_data = np.array(X_data)
X_datatest = np.array(X_datatest)
##print('X_data shape:', X_data)   

X_data= X_data.astype('float32') / 255.
X_datatest = X_datatest.astype('float32') / 255.
X_data = np.reshape(X_data, (len(X_data), 28, 28, 3))  # adapt this if using `channels_first` image data format
X_datatest = np.reshape(X_datatest, (len(X_datatest), 28, 28, 3))  # adapt this if using `channels_first` image data format

hist=autoencoder.fit(X_data, X_data,
                     epochs=5,batch_size=128,verbose = 2,validation_data=(X_datatest, X_datatest))
##                callbacks=[TensorBoard(log_dir='/tmp/autoencoder')])
avg = np.mean(hist.history['acc'])
print('The Average Training Accuracy is', avg)

但输出仅为准确度的33%。我不知道为什么。有谁能帮我解决这个问题，让我了解过滤器、内核的数量以及28*28的大小调整基于什么？为什么我们只使用图像大小，这里是523宽和393高

我们没有使用图像大小523x393。在代码中，您可以看到28x28图像总是附加到X_数据和X_数据测试中。我看不出有任何理由先调整到523x393，然后再调整到28x28。（可能是复印件不好？）

您尝试训练的模型是自动编码器。基本上，模型的第一部分（编码器）将尝试将输入图像“编码”为一些抽象的数字向量（

encoder

）。该模型的目的是学习图像与该抽象向量之间的良好转换方案，以便该数字向量也包含图像的所有特征

模型通过在第二部分中解码来学习这一点。

解码器

是与图像尺寸相同的输出，如果模型训练完美，则应与输入图像完全匹配

现在是模型的参数。嗯，它因型号而异。您可以决定：

• 输入图像的尺寸
• 所需的层数
• 每层中的过滤器数量
• 每个过滤器的内核大小

还有更多。此自动编码器模型的唯一约束是

解码器

dims应与

输入img

dims匹配

试着阅读一些CNN教程，了解它们是如何工作的。这需要时间，不能在一篇文章中涵盖

您还应该查看此自动编码器代码的源代码，并查看相应的文章。它将更好地了解这些参数的选择

我们没有使用图像大小523x393。在代码中，您可以看到28x28图像总是附加到X_数据和X_数据测试中。我看不出有任何理由先调整到523x393，然后再调整到28x28。（可能是复印件不好？）

您尝试训练的模型是自动编码器。基本上，模型的第一部分（编码器）将尝试将输入图像“编码”为一些抽象的数字向量（

encoder

）。该模型的目的是学习图像与该抽象向量之间的良好转换方案，以便该数字向量也包含图像的所有特征

模型通过在第二部分中解码来学习这一点。

解码器

是与图像尺寸相同的输出，如果模型训练完美，则应与输入图像完全匹配

现在是模型的参数。嗯，它因型号而异。您可以决定：

• 输入图像的尺寸
• 所需的层数
• 每层中的过滤器数量
• 每个过滤器的内核大小

还有更多。此自动编码器模型的唯一约束是

解码器

dims应与

输入img

dims匹配

试着阅读一些CNN教程，了解它们是如何工作的。这需要时间，不能在一篇文章中涵盖

---

您还应该查看此自动编码器代码的源代码，并查看相应的文章。它将更好地了解这些参数的选择。

这是因为您传递的数据集与功能和标签相同

X_data

@MassoudHosseinali，因为我没有标签，它是无监督的数据。。我可以将什么设置为标签而不是X_数据？这是因为您传递的是与功能和标签相同的数据集

X_数据

@MassoudHosseinali，因为我没有标签，它是无监督的数据。。我可以将什么设置为标签而不是X_数据？