Python Keras损失始终较低，但精度开始较高，然后下降

首先，我的假设可能是错误的：

损失是指每个训练示例与正确答案之间的距离（然后除以示例数-某种程度上的平均损失）

准确度是指有多少个训练示例是正确的（如果将最高输出作为正确答案，则不管它是否为0.7，这将导致损失0.3，它仍然输出正确答案）。这是以百分比形式给出的

在我看来，这意味着准确率通常将接近100%，而损失将接近0。这不是我所看到的：

10000/10000[=============================================================================================-1067s-损耗：0.0408-附件：0.9577-损耗：0.0029-附件：0.9995
纪元2/5
10000/10000[=========================================================================================================-991s-损耗：0.0021-附件：0.9997-损耗：1.9070e-07-损耗：1.0000
纪元3/5
10000/10000[=================================================================================================================================================================================================================================================================================================================================================================================

这是在3个时代，第二次尝试让它工作。这是使用

train\u dategen

的

shuffle=True

。我有关于

shuffle=False

的结果（我最初认为这可能是问题所在），这里：

10000/10000[====================================================================================-1168s-损耗：0.0079-附件：0.9975-val\u损耗：0.0031-val\u附件：0.9995
纪元2/5
10000/10000[==================================================================================================================-1053s-损失：0.0032-会计科目：0.9614-会计科目：1.1921e-07-会计科目：0.2439
纪元3/5
10000/10000[=============================================================================================================================================-1029s-损耗：1.1921e-07-损耗：0.2443-损耗：1.1921e-07-损耗：0.2438
纪元4/5
10000/10000[==========================================================================================================================================-1017s-损耗：1.1921e-07-附件：0.2438
纪元5/5
10000/10000[=====================================================================================================================-1041s-损耗：1.1921e-07-附件：0.2445-val\u损耗：1.1921e-07-val\u附件：0.2435

我用

categorical\u crossentropy

表示损失，因为我有3个类。我有比需要更多的数据（大约178000张图片，全部分为三类中的一类）

我是误解了什么，还是出了什么问题

以下是我的完整代码：

# Importing the Keras libraries and packages
from keras.models import Sequential
from keras.layers import Conv2D
from keras.layers import MaxPooling2D
from keras.layers import Flatten
from keras.layers import Dense

# Initialising the CNN
classifier = Sequential()
# Step 1 - Convolution
classifier.add(Conv2D(32, (3, 3), input_shape = (200, 200, 3), activation = 'relu'))
# Step 2 - Pooling
classifier.add(MaxPooling2D(pool_size = (2, 2)))
# Adding a second convolutional layer
classifier.add(Conv2D(32, (3, 3), activation = 'relu'))
classifier.add(MaxPooling2D(pool_size = (2, 2)))
# Step 3 - Flattening
classifier.add(Flatten())
# Step 4 - Full connection
classifier.add(Dense(units = 128, activation = 'relu'))
classifier.add(Dense(units = 3, activation = 'sigmoid'))
# Compiling the CNN
classifier.compile(optimizer = 'adam', loss = 'categorical_crossentropy', metrics = ['accuracy'])
# Part 2 - Fitting the CNN to the images
from keras.preprocessing.image import ImageDataGenerator
train_datagen = ImageDataGenerator(rescale = 1./255)
test_datagen = ImageDataGenerator(rescale = 1./255)
training_set = train_datagen.flow_from_directory('dataset/training_set',
                target_size = (200, 200),
                batch_size = 64,
                class_mode = 'categorical',
                shuffle=True)

test_set = test_datagen.flow_from_directory('dataset/test_set',
                target_size = (200, 200),
                batch_size = 62,
                class_mode = 'categorical',
                shuffle=True)

classifier.fit_generator(training_set,
                steps_per_epoch = 10000,
                epochs = 5,
                validation_data = test_set,
                validation_steps=1000)

classifier.save("CSGOHeads.h5")
# Part 3 - Making new predictions
import numpy as np
from keras.preprocessing import image
test_image = image.load_img('dataset/single_prediction/1.bmp', target_size = (200, 200))
test_image = image.img_to_array(test_image)
test_image = np.expand_dims(test_image, axis = 0)
result = classifier.predict(test_image)
training_set.class_indices
if result[0][0] == 1:
    prediction = 'head'
else:
    prediction = 'not'

---

由于您要将图像分类为三个类别之一（即称为单标签多类别分类：有多个类别，但每个图像只有一个标签），因此应使用

softmax

作为最后一层的激活功能，而不是使用

sigmoid

：

classifier.add（密集（单位=3，激活=softmax））#这里不要使用sigmoid

---

如果您想让我解释更多，请告诉我，我会更新我的答案。

因为您将图像分为三类之一（即称为单标签多类分类：有多个类，但每个图像只有一个标签）您应该使用

softmax

作为最后一层的激活功能，而不是使用

sigmoid

：

classifier.add（密集（单位=3，激活=softmax））#这里不要使用sigmoid

---

如果你想让我解释更多，让我知道，我会更新我的答案。

为了补充@today的答案，如果最后一层的激活是

sigmoid

，那么损失应该是

binary\u crossentropy

。这是解决多标签分类问题的方法。否则，对于一个标签分类，使用

softmax

plus

categorical\u crossentropy

。不要将

sigmoid

与

categorical\u crossentropy

混为一谈来补充@today的答案，如果最后一层的激活是

sigmoid

，那么损失应该是

binary\u crossentropy

。这是解决多标签分类问题的方法。否则，对于一个标签分类，使用

softmax

plus

categorical\u crossentropy

。不要把

sigmoid

和

categorical\u交叉熵混为一谈

你也可以把你的代码贴出来吗？显然，在培训过程中（假设设置正确），验证和培训损失值都会降低，精度会提高，直到达到稳定期（如果继续培训，可能过一段时间后，验证损失值开始增加，验证精度会下降，这称为过度拟合）。但在您的情况下，一开始的准确率很高，这很奇怪，可能是代码中有bug或错误的迹象。@今天我已经发布了我的全部代码，如果有什么不清楚的地方，请告诉我（我对python还是新手，所以可能看起来很混乱）。谢谢你能把你的密码也发出来吗？显然，在培训过程中（假设设置正确），验证和培训损失值都会降低，精度会提高，直到达到稳定期（如果继续培训，可能过一段时间后，验证损失值开始增加，验证精度会下降，这称为过度拟合）。但在您的情况下，一开始的准确率很高，这很奇怪，可能是代码中有bug或错误的迹象。@今天我已经发布了我的全部代码，如果有什么不清楚的地方，请告诉我（我对python还是新手，所以可能看起来很混乱）。谢谢，谢谢，这很有道理。我将运行代码并在检查问题是否存在后标记为已回答！谢谢，这很有道理。我将运行代码并在检查问题是否存在后标记为已回答！