首页 文章

Caffe中的回归:预测是非常错误的

提问于
修改于
浏览 1502
1

我一直在Caffe做一个单一的标签回归问题 . 输入包含5个hdf5文件,我使用不同的图像独立生成这些文件 . 我首先使用单个hdf5文件测试我的网络,并使用大约800个训练图像(批量大小为64)运行10000次迭代 . 最后,当我对相同的训练图像进行预测时,得到的结果如下:

enter image description here

但在测试图像上它是:

enter image description here

据我所知,这是由于训练数据量较少,而且测试数据与训练数据不太相似 .

因此,我尝试将训练数据增加到大约5500个图像,将它们分成5个hdf5文件 . 使用使用14,000次迭代创建的模型对训练数据的预测输出为:

enter image description here

我不明白为什么预测会更糟? caffe如何选择批次? (我的批量大小是64)是否从5个hdf5文件中随机选择批处理?我糟糕的预测背后可能是什么原因?我能做些什么来有效地训练我的模型?我应该添加更多的卷积层吗?任何建议都将极其挽救生命 . 这是我在神经网络和咖啡中的第一次尝试 . 我的网络是:

name: "Regression"
layer{
  name: "data"
  type: "HDF5Data"
  top: "data"
  top: "label"
  hdf5_data_param {
    source: "train_hdf5file.txt"
    batch_size: 64
    shuffle: true
  }
  include: { phase: TRAIN }
}
layer{
  name: "data"
  type: "HDF5Data"
  top: "data"
  top: "label"
  hdf5_data_param {
    source: "test_hdf5file.txt"
    batch_size: 30
  }
  include: { phase: TEST }
}
layer {
  name: "conv1"
  type: "Convolution"
  bottom: "data"
  top: "conv1"
  param { lr_mult: 1 }
  param { lr_mult: 2 }
  convolution_param {
    num_output: 20
    kernel_size: 5
    stride: 1
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "relu1"
  type: "ReLU"
  bottom: "conv1"
  top: "conv1"
}
layer {
  name: "pool1"
  type: "Pooling"
  bottom: "conv1"
  top: "pool1"
  pooling_param {
    pool: MAX
    kernel_size: 2
    stride: 2
  }
}
layer {
  name: "dropout1"
  type: "Dropout"
  bottom: "pool1"
  top: "pool1"
  dropout_param {
    dropout_ratio: 0.1
  }
}

layer{
  name: "fc1"
  type: "InnerProduct"
  bottom: "pool1"
  top: "fc1"
  param { lr_mult: 1 decay_mult: 1 }
  param { lr_mult: 2 decay_mult: 0 }
  inner_product_param {
    num_output: 500
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "dropout2"
  type: "Dropout"
  bottom: "fc1"
  top: "fc1"
  dropout_param {
    dropout_ratio: 0.5
  }
}
layer{
  name: "fc2"
  type: "InnerProduct"
  bottom: "fc1"
  top: "fc2"
  param { lr_mult: 1 decay_mult: 1 }
  param { lr_mult: 2 decay_mult: 0 }
  inner_product_param {
    num_output: 1
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
      value: 0
    }
 }
}
layer{
  name: "loss"
  type: "EuclideanLoss"
  bottom: "fc2"
  bottom: "label"
  top: "loss"
}

1 回答

  • 1

    尝试添加卷积图层,并删除丢失(如果您遇到过度拟合问题,则可以使用它) . 另外,你必须检查Caffe在训练期间打印的损失;基于此,您可能还需要在求解器文件中更改学习率等 .

相关问题