Tensorflow CNN的设计模型体系结构

我想为有300个类的数据集设计CNN。我已经用下面的模型测试了两个类。它具有很好的准确性

model = Sequential([
Conv2D(16, 3, padding='same', activation='relu', input_shape=(IMG_HEIGHT, IMG_WIDTH ,3)),
MaxPooling2D(),
Conv2D(32, 3, padding='same', activation='relu'),
MaxPooling2D(),
Conv2D(64, 3, padding='same', activation='relu'),
MaxPooling2D(),
Flatten(),
Dense(512, activation='relu'),
Dense(1, activation='sigmoid')
])

---

但是我增加了5个类的数量，精确度下降到0.2左右。如何为300个类设计CNN体系结构？

为了在超过2个类的数据集上执行训练，您需要使用分类熵损失和softmax激活层作为最后一个密集层

最后一个密度的神经元数量将决定你想要预测的类别数量，因此如果你有300个类别，它将如下所示：

[…]
MaxPoolig2D（），
展平（），
稠密（512，活化='relu'），
密集型（300，激活='softmax'）
])

此外，您拥有的类越多，模型就越难了解每个类的特性。因此，您需要增加它的宽度（更多的过滤器）、深度（更多的卷积块）或分辨率（更大的输入）

这是设计CNN模型的一个好的开始，我们来看看VGG体系结构和它的卷积结构

---

希望它能帮助你有一些直觉。

你到底是什么？也许你坚持使用独立的二进制单位而不是softmax？这不是一个编程问题，你也可以先看看ImageNet数据集（1000类）的神经网络架构，您可以通过

tf.keras.applications

module尝试各种预先训练的模型，如VGG和Inception。是否有任何方法可以确定cnn的适当宽度。不幸的是，没有，但不要尝试重新发明轮子，尝试适用于SOTA算法的方法，从简单开始，然后再复杂化。同样，VGG体系结构是从VGG开始的一个非常好的开端。文件说它可以用于1000个班级。但是，当我在200门课上使用它时，它的准确度非常低。