Python keras CNN具有低精度和恒定精度
我正在处理街景房号识别问题。我正试图和凯拉斯一起训练CNN 下面是我如何准备输入的Python keras CNN具有低精度和恒定精度,python,machine-learning,tensorflow,deep-learning,keras,Python,Machine Learning,Tensorflow,Deep Learning,Keras,我正在处理街景房号识别问题。我正试图和凯拉斯一起训练CNN 下面是我如何准备输入的 from PIL import Image from PIL import ImageFilter train_folders = 'sv_train/train' test_folders = 'test' extra_folders = 'extra' SV_IMG_SIZE = 28 SV_CHANNELS = 1 train_imsize = np.ndarray([len(train_data),2])
from PIL import Image
from PIL import ImageFilter
train_folders = 'sv_train/train'
test_folders = 'test'
extra_folders = 'extra'
SV_IMG_SIZE = 28
SV_CHANNELS = 1
train_imsize = np.ndarray([len(train_data),2])
k = 500
sv_images = []
max_images = 20000#len(train_data)
max_digits = 5
sv_labels = np.ones([max_images, max_digits], dtype=int) * 10 # init to 10 cause it would be no digit
nboxes = [[] for i in range(max_images)]
print ("%d to load" % len(train_data))
def getBBox(i,perc):
'''
Given i, the desired i.png, returns
x_min, y_min, x_max, y_max,
the four numbers which define the small rectangular bounding
box that contains all individual character bounding boxes
'''
boxes = train_data[i]['boxes']
x_min=9990
y_min=9990
x_max=0
y_max=0
for bid,b in enumerate(boxes):
x_min = b['left'] if b['left'] <= x_min else x_min
y_min = b['top'] if b['top'] <= y_min else y_min
x_max = b['left']+b['width'] if b['left']+b['width'] >= x_max else x_max
y_max = b['top']+b['height'] if b['top']+b['height'] >= y_max else y_max
dy = y_max-y_min
dx = x_max-x_min
dpy = dy*perc
dpx = dx*perc
nboxes[i]=[dpx,dpy,dx,dy]
return x_min-dpx, y_min-dpy, x_max+dpx, y_max+dpy
for i in range(max_images):
print (" \r%d" % i ,end="")
filename = train_data[i]['filename']
fullname = os.path.join(train_folders, filename)
boxes = train_data[i]['boxes']
label = [10,10,10,10,10]
lb = len(boxes)
if lb <= max_digits:
im = Image.open(fullname)
x_min, y_min, x_max, y_max = getBBox(i,0.3)
im = im.crop([x_min,y_min,x_max,y_max])
owidth, oheight = im.size
wr = SV_IMG_SIZE/float(owidth)
hr = SV_IMG_SIZE/float(oheight)
for bid,box in enumerate(boxes):
sv_labels[i][max_digits-lb+bid] = int(box['label'])
box = nboxes[i]
box[0]*=wr
box[1]*=wr
box[2]*=hr
box[3]*=hr
im = im.resize((SV_IMG_SIZE,SV_IMG_SIZE),Image.ANTIALIAS)
img = img - np.mean(img)
im = im.filter(ImageFilter.EDGE_ENHANCE)
img = img - np.mean(img)
array = np.asarray(im)
array = array.reshape((SV_IMG_SIZE,SV_IMG_SIZE,3)).astype(np.float32)
na = np.zeros([SV_IMG_SIZE,SV_IMG_SIZE],dtype=int)
for x in range (array.shape[0]):
for y in range (array.shape[1]):
na[x][y]=np.average(array[x][y][:])
na = na.reshape(SV_IMG_SIZE,SV_IMG_SIZE,1)
#print(array.shape)
sv_images.append(na.astype(np.float32))
sv_train, sv_validation, svt_labels, svv_labels = train_test_split(sv_images, sv_labels, test_size=0.33, random_state=42)
13400/13400 [==============================]70年代-70年代-70年代-70年代-70年代-70年代-70年代-70年代-70年代-70年代-70年代-70年代-70年代-70年代-70年代-70年代-70年代-70年代-70年代-损失：损失：34.7032-高密度的，7.7032-高密度的，7.7032-高密度的，74年-高密度的，741年：损失：损失：损失：0.6760-0.6760-高密度的，密度的，742年-高密度的，损失：损失：损失：损失：4.786年：4.7861-4.7861-高密度的，高密度的，损失：4.7861-高密度的，743年-高密度的，损失：损失：4.7861-高密度的，损失：损失：4.7861-高密度的，损失：损失：4.7861-高密度的，损失：损失：损失：损失：损失：4年-高密度的，损失：损失：0.7131-val_dense_742_损耗：4.8721-val_dense_743_损耗：14.8091-val_dense_744_损耗：14.3769-val_dense_740_acc:0.9997-val_dense_741_acc:0.9558-val_dense_742_acc:0.6977-val dense_743_acc:0.0812-val_dense_744_acc:0.1080根据您的模型设置adam的学习速率。您可以使用以下命令自己实例化优化器（），而不是使用默认adam：
from keras.optimizers import Adam
adam = Adam(lr=0.1)
这看起来很有希望，因为你的损失实际上在减少，只是幅度很小。我不知道问题是什么，你的损失在减少。在这个过程中，准确度只能在很晚的时候开始改变，你的优化发生在损失上。 也可能是您的数据集有偏差，您是否在每个类中都有相同数量的样本
from keras.optimizers import Adam
adam = Adam(lr=0.1)