对于使用CNN和Keras Tf python的猫狗分类数据集，精度不够高

伙计们，我正试图用CNN对狗和猫的数据集进行分类。我正在深入学习初学者顺便说一句

数据集链接可以从中获得。我还使用MLP对上述数据集进行了分类，训练准确率为70%，测试准确率为62%。所以我决定用CNN来提高分数

但不幸的是，我仍然得到了非常相似的结果。这是我的密码：

from sklearn.cross_validation import train_test_split
from sklearn.preprocessing import LabelEncoder
from keras.layers import Dense, Activation, Flatten, Dropout
from keras.layers.convolutional import Convolution2D
from keras.layers.convolutional import MaxPooling2D
from keras.models import Sequential
from keras.utils import np_utils
from keras.optimizers import SGD
from keras.datasets import mnist
from keras import backend as K
from imutils import paths
import numpy as np
import argparse
import cPickle
import h5py
import sys
import cv2
import os

K.set_image_dim_ordering('th')

def image_to_feature_vector(image, size=(28, 28)):
    return cv2.resize(image, size)

print("[INFO] pre-processing images...")
imagePaths = list(paths.list_images(raw_input('path to dataset: ')))

data   = []
labels = []

for (i, imagePath) in enumerate(imagePaths):
    image = cv2.imread(imagePath)
    label = imagePath.split(os.path.sep)[-1].split(".")[0]
    features = image_to_feature_vector(image)
    data.append(features)
    labels.append(label)

    if i > 0 and i % 1000 == 0:
        print("[INFO] processed {}/{}".format(i, len(imagePaths)))

le     = LabelEncoder()
labels = le.fit_transform(labels)
labels = np_utils.to_categorical(labels, 2)
data   = np.array(data) / 255.0

print("[INFO] constructing training/testing split...")
(X_train, X_test, y_train, y_test) = train_test_split(data, labels, test_size=0.25, random_state=42)

X_train = X_train.reshape(X_train.shape[0], 3, 28, 28).astype('float32')
X_test  = X_test.reshape(X_test.shape[0], 3, 28, 28).astype('float32')
num_classes = y_test.shape[1]

def basic_model():
    model = Sequential()
    model.add(Convolution2D(32, 3, 3, border_mode='valid', init='uniform', bias=True, input_shape=(3, 28, 28), activation='relu'))
    model.add(MaxPooling2D(pool_size=(2, 2)))
    model.add(Dropout(0.25))
    model.add(Flatten())
    model.add(Dense(128, activation='relu'))
    model.add(Dense(num_classes, activation='softmax'))

    sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
    model.compile(loss='categorical_crossentropy', optimizer=sgd, metrics=['accuracy'])
    return model

model = basic_model()

model.fit(X_train, y_train, validation_data=(X_test, y_test), nb_epoch=25, batch_size=50, shuffle=True, verbose=1)

print('[INFO] Evaluating the model on test data...')
scores = model.evaluate(X_test, y_test, batch_size=100, verbose=1)
print("\nAccuracy: %.4f%%\n\n"%(scores[1]*100))

我使用的CNN模式非常基本，但我认为足够体面。我按照各种教程进行学习。我甚至使用了这种架构，但得到了类似的结果（65%的测试准确率）：

对于Optimizer，我还尝试了使用默认参数的

adam

，对于

模型。complie

损失函数，我也尝试了

分类交叉熵

，但没有（或非常轻微）改善

你能告诉我哪里出了问题，或者我能做些什么来提高效率吗？（如果可能，在几个时期内）

（我是深度学习和keras编程的初学者…）

编辑：所以我设法达到了70.224%的测试准确率和74.27%的训练准确率。CNN架构是

CONV=>CONV=>POOL=>DROPOUT=>flant=>densed*3

---

（几乎没有过度拟合，因为培训acc:74%，测试是：70%基本上，你的人际网络不够深入。这就是为什么你的培训和验证准确性都很低。你可以尝试从两个方面深化你的人际网络

为每个卷积层使用更多的过滤器。（30、5、5）或（15、3、3）是不够的。将第一个卷积层更改为（64、3、3）。在最大池化后，网络应提供“更深”的功能。因此，第二个不应是15，而是类似（64、3、3）甚至（128、3、3）的功能

添加更多的卷积层。5或6层对于这个问题可能是好的

总的来说，你的问题不仅仅是编程。更多的是关于CNN网络架构。你可以阅读更多关于这个主题的研究论文，以便更好地理解。对于这个具体问题，Keras提供了一个非常好的教程，介绍如何通过非常小的猫和狗图像集提高性能：

使用（128,3,3）或（64,3,3）可以解决精度问题。您使用了多少个纪元？如果您使用20个以上的纪元就太好了

试试这个：

model.add(Convolution2D(32, 3, 3, 3, border_mode='full'))
model.add(Activation('relu'))
model.add(Convolution2D(32, 32, 3, 3))
model.add(Activation('relu'))
model.add(MaxPooling2D(poolsize=(2, 2)))
model.add(Dropout(0.25))

model.add(Convolution2D(64, 32, 3, 3, border_mode='full'))
model.add(Activation('relu'))
model.add(Convolution2D(64, 64, 3, 3))
model.add(Activation('relu'))
model.add(MaxPooling2D(poolsize=(2, 2)))
model.add(Dropout(0.25))

model.add(Flatten())
model.add(Dense(64*8*8, 512))
model.add(Activation('relu'))
model.add(Dropout(0.5))

model.add(Dense(512, 2))
model.add(Activation('softmax'))

---

首先，试着减去图像的意思：你有多少训练数据？我有25000（每只猫和狗12500个）训练集和12500（每只狗6250个）测试集

model.add(Convolution2D(32, 3, 3, 3, border_mode='full'))
model.add(Activation('relu'))
model.add(Convolution2D(32, 32, 3, 3))
model.add(Activation('relu'))
model.add(MaxPooling2D(poolsize=(2, 2)))
model.add(Dropout(0.25))

model.add(Convolution2D(64, 32, 3, 3, border_mode='full'))
model.add(Activation('relu'))
model.add(Convolution2D(64, 64, 3, 3))
model.add(Activation('relu'))
model.add(MaxPooling2D(poolsize=(2, 2)))
model.add(Dropout(0.25))

model.add(Flatten())
model.add(Dense(64*8*8, 512))
model.add(Activation('relu'))
model.add(Dropout(0.5))

model.add(Dense(512, 2))
model.add(Activation('softmax'))