Tensorflow 图像分类 Python 总是说同样的答案

Question

我为我的一个课程编写了一个图像识别代码。我正在对“好”和“坏”心脏超声图像进行分类。我遇到的问题是分类器总是预测图像“好”。我目前没有太多的图像需要整理，所以准确率只有 50% 左右，但是我不确定为什么机器总是认为图像很好。图片示例：我提供了以下代码：#required imports#using sequential from tensorflow from keras.models import Sequentialfrom keras.layers import Conv2Dfrom keras.layers import MaxPooling2Dfrom keras.layers import Flattenfrom keras.layers import Dense#classification model to be sequentialclassifier = Sequential()classifier.add(Conv2D(32, (3, 3), input_shape = (64, 64, 3), activation = 'relu'))classifier.add(MaxPooling2D(pool_size = (2, 2)))classifier.add(Flatten())classifier.add(Dense(units = 128, activation = 'relu'))#output layerclassifier.add(Dense(units = 1, activation = 'sigmoid'))#compilationclassifier.compile(optimizer = 'adam', loss = 'binary_crossentropy', metrics = ['accuracy'])#trainingfrom keras.preprocessing.image import ImageDataGeneratortrain_datagen = ImageDataGenerator(rescale = 1./255, shear_range = 0.2, zoom_range = 0.2, horizontal_flip = True)test_datagen = ImageDataGenerator(rescale = 1./255)training_set = train_datagen.flow_from_directory("/home/jovyan/dataset/training_set/", target_size = (64, 64), batch_size = 32, class_mode = 'binary')test_set = test_datagen.flow_from_directory("/home/jovyan/dataset/test_set/", target_size = (64, 64), batch_size = 32, class_mode = 'binary')classifier.fit_generator(training_set, steps_per_epoch = 85, epochs = 25, validation_data=test_set, validation_steps=2000)#predictionsimport numpy as npfrom keras.preprocessing import imagetest_image=image.load_img("/home/jovyan/dataset/test_set/test_bad_1.jpg", target_size=(64, 64))test_image=image.img_to_array(test_image)test_image=np.expand_dims(test_image, axis=0)result=classifier.predict(test_image)training_set.class_indicesif result[0][0]==1:    prediction='good'else:    prediction='bad'print(prediction)`

Answer 1

该test_image需求由1./255一样被重新调整train_datagen和test_datagen。由于“好”在有更多白色区域时出现，因此较高的值test_image很可能使输出激活始终为“好”。

Answer 2

我对 Keras 不熟悉，所以我会假设你的代码没有问题，并尝试在你的问题上给我两分钱。

首先要检查数据集是否平衡。如果数据中的“好”图像相对过多，模型将只输出“好”，因为它产生的性能比实际预测的“正常”二元交叉熵损失更好。

因此，您可以尝试的一件事是为两个标签赋予不同的权重（我们称之为加权交叉熵损失）：惩罚被标记为“好”的错误答案，这样该模型现在将尝试预测“坏” “ 图片。

如果这不起作用，您可以尝试其他方法来处理这种不平衡的数据集情况。