我正在尝试使用keras进行图像的二进制分类 .
我的CNN模型在训练数据方面训练有素(提供约90%的训练准确度和~93%的验证准确度) . 但是在培训期间,如果我设置批量大小= 15000,我得到图I输出,如果我设置批量大小= 50000,我得到图II作为输出 . 有人可以告诉我有什么问题吗?预测不应该取决于批量大小吗?
我用于预测的代码:
y=model.predict_classes(patches, batch_size=50000,verbose=1) y=y.reshape((256,256))
我的模特: -
model = Sequential()
model.add(Convolution2D(32, 3, 3, border_mode='same',
input_shape=(img_channels, img_rows, img_cols)))
model.add(Activation('relu'))
model.add(Convolution2D(32, 3, 3))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Convolution2D(64, 3, 3, border_mode='same'))
model.add(Activation('relu'))
model.add(Convolution2D(64, 3, 3))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(512))
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(nb_classes))
model.add(Activation('softmax'))
# let's train the model using SGD + momentum (how original).
sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss='categorical_crossentropy',
optimizer=sgd,
metrics=['accuracy'])
1 回答
Keras在
predict
函数中自动标准化输入 . 标准化所需的统计数据是在批次上计算的 - 这就是您的输出可能取决于批量大小的原因 . 你可以解决这个问题:如果Keras> 1.0,您可以简单地在功能API中定义您的模型,并简单地将经过训练的函数应用于自标准化数据 .
如果您对模型进行了培训 - 您可以将其恢复为Theano功能,并将其应用于自我标准化数据 .
如果您的数据不是很大,您也可以简单地将批量大小设置为数据集中的示例数 .
UPDATE: 这是第二个解决方案的代码:
现在,如果您想使用这个新的
theano_model
,您应该自己标准化主数据集(例如,通过减去平均值并除以图像中每个像素的标准偏差)并应用theano_model
来获得整个数据集的分数(您可以在循环迭代示例或使用numpy.apply_along_axis
或numpy.apply_over_axes
函数) .UPDATE 2: 为了使这个解决方案发生变化
至: