Python 有线电视新闻网分类

我开发了一个CNN分类模型来对猫和狗进行分类。当我使用任何既不是猫也不是狗的图像（例如天空或椅子的图像）测试模型时，它以0.99的概率预测它们是狗。知道为什么会这样吗？。这是否意味着该车型过度装修

模型定义如下：

from keras.layers import Input, Conv2D, Dense,MaxPooling2D, Flatten, Activation,Dense, Dropout, BatchNormalization
from keras.models import Model
from keras.backend import tf as ktf
import numpy as np
np.random.seed(123)

def mean_subtract(img):
    #img = T.set_subtensor(img[:,0,:,:],img[:,0,:,:] - 123.68)
    #img = T.set_subtensor(img[:,1,:,:],img[:,1,:,:] - 116.779)
    #img = T.set_subtensor(img[:,2,:,:],img[:,2,:,:] - 103.939)
    return img / 255.0


def cats_dogs_model():
    input_shape = (3, 256, 256)

    x_input = Input(input_shape)
    x = Lambda(mean_subtract, name='mean_subtraction')(x_input)

    # Conv Layer 1
    x = Convolution2D(96, 7, 7, subsample=(4,4), activation='relu',
                      name='conv_1', init='he_normal')(x_input) 
    x = MaxPooling2D((3, 3), strides=(2,2))(x)
    x = BatchNormalization()(x)
    x = ZeroPadding2D((2,2))(x)

    # Conv Layer 2
    x = Convolution2D(256, 5, 5, activation='relu', name='conv_2', init='he_normal')(x)
    x = MaxPooling2D((3, 3), strides=(2, 2))(x)
    x = BatchNormalization()(x)
    x = ZeroPadding2D((2, 2))(x)

    # Conv Layer 3
    x = Convolution2D(384, 3, 3, activation='relu',
                      name='conv_3', init='he_normal')(x)
    x = MaxPooling2D((3, 3), strides=(2, 2))(x)    
    x = Flatten()(x)
    x = Dense(512, activation="relu")(x)
    x = Dropout(0.5)(x)
    x = Dense(512, activation="relu")(x)
    x = Dropout(0.5)(x)

    predictions = Dense(2, activation="softmax")(x)
    return Model(inputs=x_input, outputs=predictions)

---

您在输出层上使用的softmax激活有2个单元，这使您的模型成为一个二进制分类器。在事先不了解数据集的情况下，很难给出正确的解决方案，但可以归结为两种可能的情况：

• 您的分类标签是相互排斥的（狗或猫，而不是两者）。在这种情况下，您应该添加第三个类，前提是可以相应地转换受监控的数据集
• 标签不是相互排斥的（两个类可以不存在或同时存在）。在这种情况下，应将softmax替换为sigmoid，并确保数据集的格式正确（用于多标签分类）。这相当于同时解决两个独立的二进制分类问题

---

您在带有2个单元的输出层上使用softmax激活，这使您的模型成为一个二进制分类器。在事先不了解数据集的情况下，很难给出正确的解决方案，但可以归结为两种可能的情况：

• 您的分类标签是相互排斥的（狗或猫，而不是两者）。在这种情况下，您应该添加第三个类，前提是可以相应地转换受监控的数据集
• 标签不是相互排斥的（两个类可以不存在或同时存在）。在这种情况下，应将softmax替换为sigmoid，并确保数据集的格式正确（用于多标签分类）。这相当于同时解决两个独立的二进制分类问题

---

您能提供一些模型代码以便于更好地理解吗？我已将模型定义添加到问题Ceci n'est pas un chat您能提供一些模型代码以便于更好地理解吗？我已将模型定义添加到问题Ceci n'est pas un chat谢谢您的回答。我的培训数据集没有关于“不是两个”类，但模型如何始终将未知类预测为“狗”类？@AkshayaAvailayanathan你的模型，就目前而言，没有太多选择。因为你只有两个单位和softmax，单位被限制为1，这有效地迫使你的模型只真正关注一个类（在你的例子中是猫）。这种偏好可能与训练和测试样本的组成有关，但众所周知，很难判断深层网络中到底发生了什么。@AkshayaAvailayAnathan“我的训练数据集没有“不是两者”的表示形式-那么你应该选择第二种解决方案（即，一个带有两个单位和sigmoid激活的输出层）。谢谢你的回答。我的训练数据集没有“不都有”类的表示，但是模型如何预测未知类为“狗”“一直以来？@AkshayaAvailayanathan就目前而言，你的模型没有太多选择。因为你只有两个单位和softmax，这些单位的总和被限制为1，这实际上迫使你的模型只真正关注一个类（在你的例子中是猫）。这种偏好可能与训练和测试样本的组成有关，但众所周知，很难判断深层网络中到底发生了什么。@AkshayaAvailayAnathan“我的训练数据集没有“不是两者”的表示形式-那么你应该选择第二种解决方案（即，具有两个单元和sigmoid激活的输出层）。