Python Keras预测糖尿病视网膜病变

我试图通过使用

keras

中的

densenet121

模型预测糖尿病视网膜病变。 我有一个5文件夹，其中包含0:3647个图像1:750个图像2:1105个图像3:305个图像4:193个图像 列车数据有6000个图像 验证数据有1000个图像，测试数据有25个测试位 我使用keras imagedatagenerator对图像进行预处理和增强，图像大小为（224）

我使用keras的densenet121模型进行编译

model = DenseNet121(include_top=True, weights=None, input_tensor=None, 
                    input_shape=(224,224,3), pooling=None, classes=5)
model.compile(loss='categorical_crossentropy',
              optimizer='rmsprop',
              metrics=['accuracy'])
model.summary()
filepath="weights-improvement-{epoch:02d}-{val_loss:.2f}.hdf5"
checkpointer = ModelCheckpoint(filepath,monitor='val_loss', verbose=1, 
                                save_best_only=True,save_weights_only=True)
lr_reduction = ReduceLROnPlateau(monitor='val_loss', patience=5, verbose=2, 
                                 factor=0.5)
callbacks_list = [checkpointer, lr_reduction]
history = model.fit_generator(
          train,
          epochs=Epoch,
          validation_data=val,
          class_weight={0:1, 1:10.57, 2:4.88, 3:29, 4:35},
          use_multiprocessing = False,
          workers = 16,
          callbacks=callbacks_list
        )

但当我试图预测

#predict

pred=model.predict_generator(test,
steps=25,)

print(pred)

他们预测所有人都是3

我面临的问题

1.我试图更改图像的权重，因为它是一个不平衡的数据，但仍然不起作用：

2.估计时间每个历元使用6-7分钟，这花费了太多的时间如果我想训练更多历元，比如50历元，我应该怎么做

编辑
1.我打印了一组我的图像，它们显示

[[0.2718658  0.21595034 0.29440382 0.12089088 0.0968892 ]
 [0.2732306  0.22084573 0.29103383 0.11724534 0.0976444 ]
 [0.27060518 0.22559224 0.2952135  0.11220136 0.09638774]
 [0.27534768 0.21236925 0.28757185 0.12544192 0.09926935]
 [0.27870545 0.22124214 0.27978882 0.11854914 0.1017144 ]
 [0.2747815  0.22287942 0.28961015 0.11473729 0.09799159]
 [0.27190813 0.22454649 0.29327467 0.11331796 0.09695279]
 [0.27190694 0.22116153 0.27061856 0.12831333 0.10799967]
 [0.27871644 0.21939436 0.28575435 0.11689039 0.09924441]
 [0.27156618 0.22850358 0.27458736 0.11895953 0.10638336]
 [0.27199408 0.22443996 0.29326025 0.11337796 0.09692782]
 [0.27737287 0.22283535 0.28601763 0.11459836 0.09917582]
 [0.2719294  0.22462222 0.29477262 0.11228184 0.09639395]
 [0.27496076 0.22619417 0.24634513 0.12380602 0.12869397]
 [0.27209386 0.23049556 0.27982628 0.11399914 0.10358524]
 [0.2763851  0.22362126 0.27667257 0.11974224 0.10357884]
 [0.28445077 0.22687359 0.22116113 0.12310001 0.14441448]
 [0.27552167 0.22341767 0.28794768 0.11433118 0.09878179]
 [0.27714184 0.22157396 0.26033664 0.12819317 0.11275442]
 [0.27115697 0.22615613 0.29698634 0.10981857 0.09588206]
 [0.27108756 0.22484282 0.29557163 0.11230227 0.09619577]
 [0.2713721  0.22606659 0.29634616 0.11017173 0.09604342]
 [0.27368984 0.22699612 0.28083235 0.11586079 0.10262085]
 [0.2698808  0.22924589 0.29770645 0.10761821 0.0955487 ]
 [0.27016872 0.23090932 0.2694938  0.11959692 0.1098313 ]]

我看到一些图像显示为0，但它们在所有预测中显示为3，那么为什么它显示为3呢？

---

2.我在densenet121模型中稍微更改了一些代码行，我删除了一个外部顶层，并更改了一个更易于查看的预测代码。

您可以使用

test\u datagen=ImageDataGenerator（rescale=1./255，batch\u size=1）

检查一下吗？您想解决什么样的问题？多类多标签？我也很困惑为什么

include_top=True

但是你还是继续往网络上添加另一个top，不管怎样我试图在5个标签0,1,2,3,4中预测糖尿病视网膜病变，但从现在开始这是一个糟糕的预测，因为它预测的值都是3。所以我再次阅读了一份文档，我错误地添加了另一个顶层，因为我添加了一个“include_top=True”对不起，如果我解释不清楚您可以用

测试\u datagen=ImageDataGenerator（重缩放=1./255，批量大小=1）

检查吗？您想解决什么样的问题？多类多标签？我也很困惑为什么

include_top=True

但是你还是继续往网络上添加另一个top，不管怎样我试图在5个标签0,1,2,3,4中预测糖尿病视网膜病变，但从现在开始这是一个糟糕的预测，因为它预测的值都是3。所以我再次阅读了一份文档，我错误地添加了另一个顶层，因为我添加了一个“include_top=True”对不起，如果我解释不清楚

[[0.2718658  0.21595034 0.29440382 0.12089088 0.0968892 ]
 [0.2732306  0.22084573 0.29103383 0.11724534 0.0976444 ]
 [0.27060518 0.22559224 0.2952135  0.11220136 0.09638774]
 [0.27534768 0.21236925 0.28757185 0.12544192 0.09926935]
 [0.27870545 0.22124214 0.27978882 0.11854914 0.1017144 ]
 [0.2747815  0.22287942 0.28961015 0.11473729 0.09799159]
 [0.27190813 0.22454649 0.29327467 0.11331796 0.09695279]
 [0.27190694 0.22116153 0.27061856 0.12831333 0.10799967]
 [0.27871644 0.21939436 0.28575435 0.11689039 0.09924441]
 [0.27156618 0.22850358 0.27458736 0.11895953 0.10638336]
 [0.27199408 0.22443996 0.29326025 0.11337796 0.09692782]
 [0.27737287 0.22283535 0.28601763 0.11459836 0.09917582]
 [0.2719294  0.22462222 0.29477262 0.11228184 0.09639395]
 [0.27496076 0.22619417 0.24634513 0.12380602 0.12869397]
 [0.27209386 0.23049556 0.27982628 0.11399914 0.10358524]
 [0.2763851  0.22362126 0.27667257 0.11974224 0.10357884]
 [0.28445077 0.22687359 0.22116113 0.12310001 0.14441448]
 [0.27552167 0.22341767 0.28794768 0.11433118 0.09878179]
 [0.27714184 0.22157396 0.26033664 0.12819317 0.11275442]
 [0.27115697 0.22615613 0.29698634 0.10981857 0.09588206]
 [0.27108756 0.22484282 0.29557163 0.11230227 0.09619577]
 [0.2713721  0.22606659 0.29634616 0.11017173 0.09604342]
 [0.27368984 0.22699612 0.28083235 0.11586079 0.10262085]
 [0.2698808  0.22924589 0.29770645 0.10761821 0.0955487 ]
 [0.27016872 0.23090932 0.2694938  0.11959692 0.1098313 ]]