Блог

Мне дали 10000 изображений формы (100,100), представляющих обнаружение частиц, затем я создал 10000 пустых изображений формы (100,100) и смешал их вместе. Я присвоил каждому соответствующему типу метки 0 и 1, которые видны в коде здесь:

 Labels = np.append(np.ones(10000),np.zeros(empty_sheets.shape[0]))

images_scale1 = np.zeros(s)   #scaling each image so that it has a maximum number of 1
#scaling each image so that it has a maximum number of 1
l = s[0]
for i in range(l):
    images_scale1[i] = images[i]/np.amax(images[i])

empty_sheets_noise1 = add_noise(empty_sheets,0)

scale1noise1 = np.concatenate((images_scale1,empty_sheets_noise1),axis=0)
y11 = Labels

scale1noise1s, y11s = shuffle(scale1noise1, y11)

scale1noise1s_train, scale1noise1s_test, y11s_train, y11s_test = train_test_split(
                                                    scale1noise1s, y11,     test_size=0.25)

#reshaping image arrays so that they can be passed through CNN
scale1noise1s_train = scale1noise1s_train.reshape(scale1noise1s_train.shape[0],100,100,1)
scale1noise1s_test  = scale1noise1s_test.reshape(scale1noise1s_test.shape[0],100,100,1)
y11s_train = y11s_train.reshape(y11s_train.shape[0],1)
y11s_test = y11s_test.reshape(y11s_test.shape[0],1)
 

Затем для настройки моей модели я создаю новую функцию:

 def create_model():
    #initiates new model
    model = keras.models.Sequential()
    model.add(keras.layers.Conv2D(64, (3,3),activation='relu',input_shape=(100,100,1)))
    model.add(keras.layers.MaxPooling2D((2, 2)))
    model.add(keras.layers.Dropout(0.2))
    model.add(keras.layers.Flatten())
    model.add(keras.layers.Dense(32))
    model.add(keras.layers.Dense(64))
    model.add(keras.layers.Dense(1,activation='sigmoid'))
    return model

estimators1m1 = create_model()
estimators1m1.compile(optimizer='adam', metrics=['accuracy', tf.keras.metrics.Precision(),
                                  tf.keras.metrics.Recall()], loss='binary_crossentropy')

history = estimators1m1.fit(scale1noise1s_train, y11s_train, epochs=3, 
                    validation_data=(scale1noise1s_test, y11s_test))
 

что приводит к следующему:

Эпоха 1/3 469/469 [==============================] — 62 с 131 мс/шаг — потеря: 0,6939 — точность: 0,4917 — precision_2: 0,4905 — recall_2: 0,4456 — val_loss: 0,6933- val_accuracy: 0.5012 — val_precision_2: 0.5012 — val_recall_2: 1.0000 Эпоха 2/3 469/469 [==============================] — 63 с 134 мс/шаг — потеря: 0,6889 — точность: 0,5227- precision_2: 0.5209 — recall_2: 0.5564 — val_loss: 0.6976 — val_accuracy: 0.4994 — val_precision_2: 0.5014 — val_recall_2: 0.2191 Эпоха 3/3 469/469 [==============================] -59 с 127 мс / шаг — потеря: 0,6527 — точность: 0,5783 — precision_2: 0,5764 — recall_2: 0,5887 — val_loss: 0,7298 — val_accuracy: 0,5000 — val_precision_2: 0,5028 — val_recall_2: 0,2131

Я пробовал больше эпох, и мне по-прежнему удается получить точность только в 50%, что бесполезно, поскольку он просто постоянно предсказывает одни и те же вещи.

Может быть много причин, по которым ваша модель не работает. Один из них, который кажется более вероятным, заключается в том, что модель недостаточно подходит, поскольку точность как в обучающем наборе, так и в наборе проверки низкая, что означает, что нейронная сеть не может уловить закономерность в данных. Следовательно, вам следует рассмотреть возможность создания немного более сложной модели, добавив больше слоев, в то же время избегая чрезмерной подгонки с помощью таких методов, как отсев. Вы также должны получить наилучшие параметры, выполнив настройку гиперпараметров.