TensorflowJS模型不'；不能正确预测多类数据

作为一个初学者，我尝试用tensorflowJS构建一个非常简单的多类分类器，它可以预测我的视力方向

步骤1：我在浏览器中创建了数据集来训练我的模型，在那里我将网络摄像头渲染的眼睛图像存储在HTML5画布上。我使用箭头键将图像标记为0=左、1=正常和2=右。为了训练模型，在传递给方法之前，我使用tf.onHot（）转换这些标签

// data collection 
let imageArray = [];
let labelArray = [];

let collectData = (label) => {
    const img = tf.tidy(() => {
        const captureImg = getImage();
        //console.log(captureImg.shape)
        return captureImg;
    })
    imageArray.push(img)
    labelArray.push(label) //--- labels are 0,1,2
}

// label conversion  
let labelSet = tf.oneHot(tf.tensor1d(labelArray, 'int32'), 3);

第2步：我使用了使用tensorflowJS构建的自定义模型，而不是加载任何经过训练的模型

let createModel = () => {
        const model = tf.sequential();
        let config_one = {
            kernelSize: 3,
            filters: 40,
            strides: 1,
            activation: 'relu',
            inputShape: [imageHeight, imageWidth, imageChannels]
        }
        model.add(tf.layers.conv2d(config_one));

        let config_two = {
            poolSize: [2, 2],
            strides: [2, 2],
        }
        model.add(tf.layers.maxPooling2d(config_two));

        model.add(tf.layers.flatten());
        model.add(tf.layers.dropout(0.2));

        // Two output values x and y
        let congfig_output = {
            units: 3,
            activation: 'tanh',
        }
        model.add(tf.layers.dense(congfig_output));

        // Use ADAM optimizer with learning rate of 0.0005 and MSE loss
        let config_compile = {
            optimizer: tf.train.adam(0.00005),
            loss: 'categoricalCrossentropy',
        }
        model.compile(config_compile);

        tf.memory()

        return model;
    }

问题：我现在面临几个问题

当我使用均方作为损失函数，adam学习率为0.000005时，我的模型开始预测，但它只预测眼睛的两种状态正常和左/右，所以要进行多类分类，我将损失函数改为分类交叉熵，但结果仍然相同或有时最差

我尝试了其他超参数组合，但没有成功。我遇到的最糟糕的情况是我的损失函数只反复显示了三个常量值

如果我在编译配置中传递了太多数据或使用了其他类型的优化器，比如sgd或其他任何东西，我的浏览器就会崩溃。当我在google上快速搜索时，我发现我可以使用tf.memory（）来检查任何可能导致浏览器崩溃的内存泄漏，但这一行没有在控制台中记录任何内容

我正在调整代码中的各种值和参数，并训练模型，这使得它有时可以工作，部分工作，大部分时间甚至不工作。这一切都是偶然的。最后，我学习了编译方法中用于损失函数的参数和con2d输入层中的激活函数，但其他内容仍然令人困惑，例如-历元数、批量大小、adam中的学习速率等等

我理解或我认为我理解这些-内核大小、过滤器、跨步、输入形状，但仍然不知道如何确定层数、各种超参数等

编辑-这是我根据建议更新代码后得到的结果。我仍然不知道正确的分类。我正在接受至少1000多张图片的训练

A.我仍然会因为固定的valeus而再次遭受损失

B.精度也在重复1、0.5和0

function getImage() {
        return tf.tidy(function () {
            const image = tf.browser.fromPixels($('#eyes')[0]);
            const batchedImage = image.expandDims(0);
            const norm = batchedImage.toFloat().div(tf.scalar(255)).sub(tf.scalar(1));
            return norm;
        });
    }

这里是控制台输出

示例图像-

---

对我来说，最明显的错误是输出层的激活功能，您使用的是

tanh

您应该使用

softmax

。接下来，您的学习率很低，请尝试将其设置为

0.001

，这是一个很好的默认值

您也可能不需要退出，因为您还没有得到任何结果来证明模型是过度拟合的。您还可以在此基础上添加更多卷积层，请尝试下面的示例

model.add(tf.layers.conv2d({
    inputShape: [28, 28, 1],
    kernelSize: 5,
    filters: 8,
    strides: 1,
    activation: 'relu',
}));

model.add(tf.layers.maxPooling2d({
    poolSize: [2, 2],
    strides: [2, 2],
}));

model.add(tf.layers.conv2d({
    kernelSize: 5,
    filters: 16,
    strides: 1,
    activation: 'relu',
}));

model.add(tf.layers.maxPooling2d({
    poolSize: [2, 2],
    strides: [2, 2],
}));

model.add(tf.layers.flatten());

model.add(tf.layers.dense({
    units: 3,
    activation: 'softmax',
}));

const LEARNING_RATE = 0.001;
const optimizer = tf.train.adam(LEARNING_RATE);

model.compile({
    optimizer: optimizer,
    loss: 'categoricalCrossentropy',
    metrics: ['accuracy'],
});

---

谢谢你的回复。我试过你的建议，可惜没用。我已经用控制台输出更新了我的问题。请检查。好的。在将图像传递到模型之前，您是否已将图像从值

0-255

标准化为

0-1

？是的，我已标准化。使用update getImage code（）检查问题是否可以包含每个类的图像样本？完成。我为三个标签添加了示例图像。