首页 文章

如何在keras中进行多类图像分类？

提问于
浏览 次
0

这就是我做的 . 我得到了狗/猫图像分类的代码，我编译并运行并获得80％的准确率 . 我在火车和验证文件夹中添加了一个类（飞机）文件夹 . 对以下代码进行了更改

model.compile(loss='categorical_crossentropy',
              optimizer='rmsprop',
              metrics=['accuracy'])

train_generator = train_datagen.flow_from_directory(
    train_data_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    class_mode='categorical')

validation_generator = test_datagen.flow_from_directory(
    validation_data_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    class_mode='categorical')

将 binary class_mode 更改为 categorical 并且还丢失为 categorical_crossentropy . 还将输出布局 sigmoid 更改为 softmax . 收到以下错误 .

ValueError: Error when checking target: expected activation_10 to have shape (None, 1) but got array with shape (16, 3)

我是否需要明确地将培训标签更改为如下所述的分类标签？ （我从网站multilabel classification using keras读到这个）

train_labels = to_categorical(train_labels, num_classes=num_classes)

我不确定这里发生了什么 . 请帮忙 . 我对深度学习相对较新 .

模型

model = Sequential()

model.add(Conv2D(32, (3, 3), input_shape=input_shape))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Conv2D(32, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Conv2D(64, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Flatten())
model.add(Dense(64))
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(1))
model.add(Activation('softmax'))

model.compile(loss='categorical_crossentropy',
              optimizer='rmsprop',
              metrics=['accuracy'])

# this is the augmentation configuration we will use for training
train_datagen = ImageDataGenerator(
    rescale=1. / 255,
    shear_range=0.2,
    zoom_range=0.2,
    horizontal_flip=True)
# this is the augmentation configuration we will use for testing:
# only rescaling
test_datagen = ImageDataGenerator(rescale=1. / 255)

train_generator = train_datagen.flow_from_directory(
    train_data_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    class_mode='categorical')


validation_generator = test_datagen.flow_from_directory(
    validation_data_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    class_mode='categorical')
model.fit_generator(
    train_generator,
    steps_per_epoch=nb_train_samples // batch_size,
    epochs=epochs,
    validation_data=validation_generator,
    validation_steps=nb_validation_samples // batch_size)
image-processing machine-learning keras conv-neural-network multiclass-classification

2 回答

  • 1

    对于多类分类，最后一个密集层必须具有等于类数的节点数，然后是 softmax 激活，即模型的最后两层应该是：

    model.add(Dense(num_classes))
model.add(Activation('softmax'))

    此外，您的标签（火车和测试）必须是一个热门编码;因此，假设您的初始猫和狗被标记为整数（0/1），并且您的新类别（飞机）最初类似地标记为“2”，您应该按如下方式转换它们：

    train_labels = keras.utils.to_categorical(train_labels, num_classes)
test_labels = keras.utils.to_categorical(test_labels, num_classes)

    最后，在术语层面，你所做的是多类，而不是多标签分类（我编辑了你的帖子的 Headers ） - 最后一个术语用于样本可能属于多个类别的问题 .

    回复于
  • 1

    对于多标签分类，NN的最后一层的大小必须等于类的数量 .

    F.i.对于您的问题（3个类），代码应如下所示：

    model = Sequential()

model.add(Conv2D(32, (3, 3), input_shape=input_shape))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Conv2D(32, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Conv2D(64, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Flatten())
model.add(Dense(64))
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(3))
model.add(Activation('softmax'))
    回复于

相关问题