Ребята Я пытаюсь классифицировать набор данных Dogs vs Cats с помощью CNN. Я глубоко изучаю начинающий кстати.Точность не достаточно высока для набора данных для cat_cats с использованием CNN с пифатом Keras-Tf
Ссылка на набор данных может быть получена от here. Я также классифицировал вышеуказанный набор данных с использованием MLP с точностью обучения 70% и точностью тестирования 62%. Поэтому я решил использовать CNN для улучшения оценки.
Но, к сожалению, я все еще получаю очень похожие результаты. Вот мой код:
from sklearn.cross_validation import train_test_split
from sklearn.preprocessing import LabelEncoder
from keras.layers import Dense, Activation, Flatten, Dropout
from keras.layers.convolutional import Convolution2D
from keras.layers.convolutional import MaxPooling2D
from keras.models import Sequential
from keras.utils import np_utils
from keras.optimizers import SGD
from keras.datasets import mnist
from keras import backend as K
from imutils import paths
import numpy as np
import argparse
import cPickle
import h5py
import sys
import cv2
import os
K.set_image_dim_ordering('th')
def image_to_feature_vector(image, size=(28, 28)):
return cv2.resize(image, size)
print("[INFO] pre-processing images...")
imagePaths = list(paths.list_images(raw_input('path to dataset: ')))
data = []
labels = []
for (i, imagePath) in enumerate(imagePaths):
image = cv2.imread(imagePath)
label = imagePath.split(os.path.sep)[-1].split(".")[0]
features = image_to_feature_vector(image)
data.append(features)
labels.append(label)
if i > 0 and i % 1000 == 0:
print("[INFO] processed {}/{}".format(i, len(imagePaths)))
le = LabelEncoder()
labels = le.fit_transform(labels)
labels = np_utils.to_categorical(labels, 2)
data = np.array(data)/255.0
print("[INFO] constructing training/testing split...")
(X_train, X_test, y_train, y_test) = train_test_split(data, labels, test_size=0.25, random_state=42)
X_train = X_train.reshape(X_train.shape[0], 3, 28, 28).astype('float32')
X_test = X_test.reshape(X_test.shape[0], 3, 28, 28).astype('float32')
num_classes = y_test.shape[1]
def basic_model():
model = Sequential()
model.add(Convolution2D(32, 3, 3, border_mode='valid', init='uniform', bias=True, input_shape=(3, 28, 28), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dense(num_classes, activation='softmax'))
sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss='categorical_crossentropy', optimizer=sgd, metrics=['accuracy'])
return model
model = basic_model()
model.fit(X_train, y_train, validation_data=(X_test, y_test), nb_epoch=25, batch_size=50, shuffle=True, verbose=1)
print('[INFO] Evaluating the model on test data...')
scores = model.evaluate(X_test, y_test, batch_size=100, verbose=1)
print("\nAccuracy: %.4f%%\n\n"%(scores[1]*100))
Модель CNN, которую я использовал, является очень простой, но достаточно приличной, я думаю. Я следил за различными учебниками, чтобы добраться до него. Я даже использовал эту архитектуру, но получил аналогичный результат (65% точность тестирования):
def baseline_model():
model = Sequential()
model.add(Convolution2D(30, 5, 5, border_mode='valid', input_shape=(3, 28, 28), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Convolution2D(15, 3, 3, activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.2))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dense(50, activation='relu'))
model.add(Dense(num_classes, activation='softmax'))
sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss='binary_crossentropy', optimizer=sgd, metrics=['accuracy'])
return model
Для оптимизатора Я также попытался adam с параметрами по умолчанию и для model.complie функции потерь Я также попытался categorical_crossentropy, но не было (или очень небольшой) улучшение.
Можете ли вы предложить где я буду неправильно или что я могу сделать, чтобы повысить эффективность работы? (В нескольких эпох, если это возможно)
(я новичок в глубоком изучении и keras программирования ...)
РЕДАКТИРОВАТЬ: так что мне удалось достичь 70.224% точности тестирования и точности тренировки 74.27%. CNN архитектура была CONV => CONV => POOL => DROPOUT => FLATTEN => DENSE*3
(Существует почти не переобучения в качестве учебного акк: 74% и тестирование: 70%)
Но до сих пор открыты для предложений, чтобы увеличить его дальше, 70%, безусловно, на нижней стороне. ..
попытаться вычитая изображение означает для начала: http://stats.stackexchange.com/questions/211436/why-do-we-normalize-images-by-subtracting- the-datasets-image-mean-and-not-the-c – y300
Сколько у вас учебных данных? – TheM00s3
У меня есть 25000 (12500 из каждой кошки и собаки) набора для обучения и 12500 (по 6250 шт.) Набора для тестирования – pyofey