Python 模型预测是captcha识别中所有类别中的一个类别

我试图建立一个模型来预测验证码字母和数字。但是当我试图预测时，我发现所有预测只会导致所有

标签=33

类中的一个类。我的第一次尝试是使用学习率

keras.optimizer.adam（lr=0.001）

所有预测都是

1

然后我尝试将学习率更改为0.01，然后所有结果都与图中的S一样

有时它会像这样给人感觉

我真的不知道那是什么原因。我查过数据了。我分裂的想法只是一个类，但在我的案例中找不到 这就是我分割数据的方式：

(X_train, X_test, Y_train, Y_test) = train_test_split(data, label, test_size=0.2, random_state=0)
lb = LabelBinarizer().fit(Y_train)
Y_train = lb.transform(Y_train)
Y_test = lb.transform(Y_test)

这是我的数据类金额检查不平衡：

(array(['1', '2', '3', '4', '5', '6', '7', '8', '9', 'A', 'B', 'C', 'D',
        'E', 'F', 'G', 'H', 'J', 'K', 'L', 'M', 'N', 'P', 'Q', 'R', 'S',
        'T', 'U', 'V', 'W', 'X', 'Y', 'Z'], dtype='<U1'),
 array([8286, 6393, 6332, 6316, 6427, 6173, 6699, 6404, 6956, 6272, 6331,
        6353, 6328, 6607, 6250, 6396, 6466, 5985, 6421, 6314, 6196, 6502,
        6542, 6417, 6435, 6421, 6396, 6341, 6107, 6131, 6360, 6383, 6457]))

我在想：

分裂问题？一批代码错误？ 我运行的模型取决于以下示例模型：

---

我在这一部分被阻止了大约一周，并且没有找到解决方案当我看到您的案例和代码时，我想到了两个问题：

首先，为了在训练集中获得每个班级相同数量的样本，您是否首先平衡了数据？未经缓冲的数据可能会产生不好的结果。培训集中每个班级有多少个样本

为什么不先分析整个标签列上的标签？的确，您在Y_train和Y_测试中使用了相同的labelizer，但是如果测试集中缺少类呢？（此问题与上述问题相关）

执行以下操作更安全，尤其是在数据平衡之后：

lb = LabelBinarizer()
lb_label = lb.fit_transform(label)
(X_train, X_test, Y_train, Y_test) = train_test_split(data, lb_label, test_size=0.2, random_state=0)

我在您的示例中看到，

B

和

6

和

S

以及其他字符之间存在歧义。这型号似乎不太合适

类不是标量而是向量，因此输出层的大小应该是二维的，可能是（1,33）

在CNN架构中，您的Conv2D的大小必须越来越小，但您有

100

、

200

、

200

、

500

，修改此设置也可能有助于提高您的分数

希望这能有所帮助

更新

---

你也可以在Keras中使用。

我已经添加了上面的类的数量并编辑了这个问题。你的类不是标量而是向量。因此，最后一层的大小应为2D，而不是标量的33。也许（1，33）我也会试试这个，谢谢，我还添加了我试图用上面的模型的链接来检查这个模型。这与我使用的相同，而不是我认为的类和层的数量。您也可以尝试Keras中已有的图像分类体系结构。我更新了答案并添加了链接。我尝试了

Inception

，得到了很好的结果。如果你使用它们，你就不必为这些问题烦恼，它们已经完成了。我再次更新了我的答案。我没有亲自运行您的代码，也无法访问您使用的数据，因此我的陈述只是猜测。顺便说一下，您的数据似乎相当平衡。

lb = LabelBinarizer()
lb_label = lb.fit_transform(label)
(X_train, X_test, Y_train, Y_test) = train_test_split(data, lb_label, test_size=0.2, random_state=0)