Tensorflow 训练准确率高,但评价差
我训练了一个DNN模型,得到了较好的训练精度,但评估精度较差Tensorflow 训练准确率高,但评价差,tensorflow,machine-learning,keras,deep-learning,Tensorflow,Machine Learning,Keras,Deep Learning,我训练了一个DNN模型,得到了较好的训练精度,但评估精度较差 def DNN_Metrix(shape, dropout): model = tf.keras.Sequential() print(shape) model.add(tf.keras.layers.Flatten(input_shape=shape)) model.add(tf.keras.layers.Dense(10,activation=tf.nn.relu)) for i in ra
def DNN_Metrix(shape, dropout):
model = tf.keras.Sequential()
print(shape)
model.add(tf.keras.layers.Flatten(input_shape=shape))
model.add(tf.keras.layers.Dense(10,activation=tf.nn.relu))
for i in range(0,2):
model.add(tf.keras.layers.Dense(10,activation=tf.nn.relu))
model.add(tf.keras.layers.Dense(8,activation=tf.nn.tanh))
model.add(tf.keras.layers.Dense(1, activation=tf.nn.sigmoid))
model.compile(loss='binary_crossentropy',
optimizer=tf.keras.optimizers.Adam(),
metrics=['accuracy'])
return model
model_dnn = DNN_Metrix(shape=(28,20,1), dropout=0.1)
model_dnn.fit(
train_dataset,
steps_per_epoch=1000,
epochs=10,
verbose=2
)
以下是我的培训过程和结果:
纪元10/10
-55s-损耗:0.4763-附件:0.7807
但当我使用测试数据集进行评估时,我得到:
result = model_dnn.evaluate(np.array(X_test), np.array(y_test), batch_size=len(X_test))
损失,准确度=[0.9485417604446411,0.3649936616420746]
这是一个二元分类,正标签:负标签是关于
0.37:0.63
我不认为这是过度装修的结果,我训练时有700k个实例,形状为28*20,我的DNN模型简单,参数很少
以下是生成测试数据和培训数据时的代码:
def parse_function(example_proto):
dics = {
'feature': tf.FixedLenFeature(shape=(), dtype=tf.string, default_value=None),
'label': tf.FixedLenFeature(shape=(2), dtype=tf.float32),
'shape': tf.FixedLenFeature(shape=(2), dtype=tf.int64)
}
parsed_example = tf.parse_single_example(example_proto, dics)
parsed_example['feature'] = tf.decode_raw(parsed_example['feature'], tf.float64)
parsed_example['feature'] = tf.reshape(parsed_example['feature'], [28,20,1])
label_t = tf.cast(parsed_example['label'], tf.int32)
parsed_example['label'] = parsed_example['label'][1]
return parsed_example['feature'], parsed_example['label']
def read_tfrecord(train_tfrecord):
dataset = tf.data.TFRecordDataset(train_tfrecord)
dataset = dataset.map(parse_function)
dataset = dataset.shuffle(buffer_size=10000)
dataset = dataset.repeat(100)
dataset = dataset.batch(670)
return dataset
def read_tfrecord_test(test_tfrecord):
dataset = tf.data.TFRecordDataset(test_tfrecord)
dataset = dataset.map(parse_function)
return dataset
# tf_record_target = 'train_csv_temp_norm_vx.tfrecords'
train_files = 'train_baseline.tfrecords'
test_files = 'test_baseline.tfrecords'
train_dataset = read_tfrecord(train_files)
test_dataset = read_tfrecord_test(test_files)
it_test_dts = test_dataset.make_one_shot_iterator()
it_train_dts = train_dataset.make_one_shot_iterator()
X_test = []
y_test = []
el = it_test_dts.get_next()
count = 1
with tf.Session() as sess:
while True:
try:
x_t, y_t = sess.run(el)
X_test.append(x_t)
y_test.append(y_t)
except tf.errors.OutOfRangeError:
break
从测试集中的数据分布为[37%-63%]和最终精度为0.365这一事实判断,我首先检查测试集中预测的标签 最有可能的是,您所有的预测都是0类的,前提是0类占数据集的37%。在这种情况下,这意味着你的神经网络无法在训练集中学习任何东西,你有大量的过度拟合的情况
我建议您始终使用验证集,以便在每个历元结束时,检查您的神经网络是否学到了任何东西。在这种情况下(比如你的情况),你会很快发现过度拟合的问题。训练的准确性并不意味着什么。神经网络可以拟合任意一组随机的输入和输出,即使它们是不相关的。这就是为什么要使用验证数据 训练结束后,看看你的损失曲线,这会让你更好地了解哪里出了问题 NN默认只猜测分类问题训练数据中最流行的类。这通常是当您没有正确设置实验时发生的情况
由于您处理的是二进制分类,您可能希望查看StratifiedKFold之类的东西,如果样本%保持不变,它将提供训练/测试数据的折叠。我终于找到了原因:我使用不同的函数来构造训练和测试数据的tfrecord文件,在构造训练数据时,我使用了df.fillna(0),但对于测试数据,我使用了df.fillna(0.01)。在我重建了测试数据之后,一切正常。谢谢所有帮助我的人。