Python keras cnn模型仅预测所有测试图像的一类
我正在尝试构建一个包含两个类的图像分类模型，其中有（1）个类，也有（0）个类。我可以建立模型，精度为1。这太好了，不可能是真的（这是一个问题），但当我使用predict_generator时，因为我的图像在文件夹中，它只返回1个类0（没有类）。似乎有一个问题，但我不能解决它，我看了很多文章，但我仍然无法解决这个问题Python keras cnn模型仅预测所有测试图像的一类,python,keras,conv-neural-network,Python,Keras,Conv Neural Network,我正在尝试构建一个包含两个类的图像分类模型，其中有（1）个类，也有（0）个类。我可以建立模型，精度为1。这太好了，不可能是真的（这是一个问题），但当我使用predict_generator时，因为我的图像在文件夹中，它只返回1个类0（没有类）。似乎有一个问题，但我不能解决它，我看了很多文章，但我仍然无法解决这个问题 image_shape = (220, 525, 3) #height, width, channels img_width = 96 img_height = 96 channel
image_shape = (220, 525, 3) #height, width, channels
img_width = 96
img_height = 96
channels = 3
epochs = 10
no_train_images = 11957 #!ls ../data/train/* | wc -l
no_test_images = 652 #!ls ../data/test/* | wc -l
no_valid_images = 6156 #!ls ../data/test/* | wc -l
train_dir = '../data/train/'
test_dir = '../data/test/'
valid_dir = '../data/valid/'
test folder structure is the following:
test/test_folder/images_from_both_classes.jpg
#!ls ../data/train/without/ | wc -l 5606 #theres no class inbalance
#!ls ../data/train/with/ | wc -l 6351
#!ls ../data/valid/without/ | wc -l 2899
#!ls ../data/valid/with/ | wc -l 3257
classification_model = Sequential()
# First layer with 2D convolution (32 filters, (3, 3) kernel size 3x3, input_shape=(img_width, img_height, channels))
classification_model.add(Conv2D(32, (3, 3), input_shape=input_shape))
# Activation Function = ReLu increases the non-linearity
classification_model.add(Activation('relu'))
# Max-Pooling layer with the size of the grid 2x2
classification_model.add(MaxPooling2D(pool_size=(2, 2)))
# Randomly disconnets some nodes between this layer and the next
classification_model.add(Dropout(0.2))
classification_model.add(Conv2D(32, (3, 3)))
classification_model.add(Activation('relu'))
classification_model.add(MaxPooling2D(pool_size=(2, 2)))
classification_model.add(Dropout(0.2))
classification_model.add(Conv2D(64, (3, 3)))
classification_model.add(Activation('relu'))
classification_model.add(MaxPooling2D(pool_size=(2, 2)))
classification_model.add(Dropout(0.25))
classification_model.add(Conv2D(64, (3, 3)))
classification_model.add(Activation('relu'))
classification_model.add(MaxPooling2D(pool_size=(2, 2)))
classification_model.add(Dropout(0.3))
classification_model.add(Flatten())
classification_model.add(Dense(64))
classification_model.add(Activation('relu'))
classification_model.add(Dropout(0.5))
classification_model.add(Dense(1))
classification_model.add(Activation('sigmoid'))
# Using binary_crossentropy as we only have 2 classes
classification_model.compile(loss='binary_crossentropy', optimizer='rmsprop', metrics=['accuracy'])
batch_size = 32
# this is the augmentation configuration we will use for training
train_datagen = ImageDataGenerator(
rescale=1. / 255,
zoom_range=0.2)
# this is the augmentation configuration we will use for testing:
# only rescaling
valid_datagen = ImageDataGenerator(rescale=1. / 255)
test_datagen = ImageDataGenerator()
train_generator = train_datagen.flow_from_directory(
train_dir,
target_size = (img_width, img_height),
batch_size = batch_size,
class_mode = 'binary',
shuffle = True)
valid_generator = valid_datagen.flow_from_directory(
valid_dir,
target_size = (img_width, img_height),
batch_size = batch_size,
class_mode = 'binary',
shuffle = False)
test_generator = test_datagen.flow_from_directory(
test_dir,
target_size = (img_width, img_height),
batch_size = 1,
class_mode = None,
shuffle = False)
mpd = classification_model.fit_generator(
train_generator,
steps_per_epoch = no_train_images // batch_size, # number of images per epoch
epochs = epochs, # number of iterations over the entire data
validation_data = valid_generator,
validation_steps = no_valid_images // batch_size)
valid_generator.batch_size=1
score = classification_model.evaluate_generator(valid_generator,
no_test_images/batch_size, pickle_safe=False)
test_generator.reset()
scores=classification_model.predict_generator(test_generator, len(test_generator))
print("Loss: ", score[0], "Accuracy: ", score[1])
predicted_class_indices=np.argmax(scores,axis=1)
print(predicted_class_indices)
labels = (train_generator.class_indices)
labelss = dict((v,k) for k,v in labels.items())
predictions = [labelss[k] for k in predicted_class_indices]
filenames=test_generator.filenames
results=pd.DataFrame({"Filename":filenames,
"Predictions":predictions})
print(results)
valid_generator.batch_size=1
score = classification_model.evaluate_generator(valid_generator,
no_test_images/batch_size, pickle_safe=False)
test_generator.reset()
scores=classification_model.predict_generator(test_generator, len(test_generator))
print("Loss: ", score[0], "Accuracy: ", score[1])
predicted_class_indices=np.argmax(scores,axis=1)
print(predicted_class_indices)
labels = (train_generator.class_indices)
labelss = dict((v,k) for k,v in labels.items())
predictions = [labelss[k] for k in predicted_class_indices]
filenames=test_generator.filenames
results=pd.DataFrame({"Filename":filenames,
"Predictions":predictions})
print(results)
Filename Predictions
0 test_folder/video_3_frame10.jpg without
1 test_folder/video_3_frame1001.jpg without
2 test_folder/video_3_frame1006.jpg without
3 test_folder/video_3_frame1008.jpg without
4 test_folder/video_3_frame1009.jpg without
5 test_folder/video_3_frame1010.jpg without
6 test_folder/video_3_frame1013.jpg without
7 test_folder/video_3_frame1014.jpg without
8 test_folder/video_3_frame1022.jpg without
9 test_folder/video_3_frame1023.jpg without
10 test_folder/video_3_frame103.jpg without
11 test_folder/video_3_frame1036.jpg without
12 test_folder/video_3_frame1039.jpg without
13 test_folder/video_3_frame104.jpg without
14 test_folder/video_3_frame1042.jpg without
15 test_folder/video_3_frame1043.jpg without
16 test_folder/video_3_frame1048.jpg without
17 test_folder/video_3_frame105.jpg without
18 test_folder/video_3_frame1051.jpg without
19 test_folder/video_3_frame1052.jpg without
20 test_folder/video_3_frame1054.jpg without
21 test_folder/video_3_frame1055.jpg without
22 test_folder/video_3_frame1057.jpg without
23 test_folder/video_3_frame1059.jpg without
24 test_folder/video_3_frame1060.jpg without
predicted_class_indices=np.argmax(scores,axis=1)
您应该更改此行：
test_datagen = ImageDataGenerator()
如果您没有以与训练集/有效集相同的方式预处理测试集，您将无法获得预期的结果请尝试使用更多的历元（例如50个历元），给它更多的时间。
同时更改学习速率（每次尝试时将其除以10）和其他正则化参数。您是说“带”和“不带”已经切换了吗？至于您的测试生成器，似乎您忘记了规范化/预处理（1/255）。不，它总是预测没有类0。我尝试了你的建议，下面是相同的，但我仍然有相同的问题。测试生成器有一个问题。这可能是因为数据与您的培训/有效性完全不同，我对此表示怀疑。您说您将预处理元素添加到生成器（1/255），这是另一件大事。我很好奇，如果你单独做，len（测试生成器）会产生什么？我通常使用test_generator.filename。我怀疑这会有什么不同，但在这一点上我不确定。您可以做的另一件事是检查有效的\u生成器，使用“预测\u生成器”而不是“评估\u生成器”为了确保predict_generator不是问题所在。我添加了这个，但仍然是相同的情况。为什么test_generator中的类模式没有像其他模式一样设置为“binary”（二进制）？这是为了预测，所以图像不需要有标签。不管怎样，这没什么区别。你能检查变量“分数”的输出吗？