验证损失和验证准确度在训练期间不会改变

Question

我用Tensorflow写了一个人脸分类器程序。在这个项目中，首先我只有两张脸，所以我使用binary_crossentropy 作为损失函数。当我决定添加更多面孔时，我从binary_crossentropy 切换到categorical_crossentropy。

我的代码：

import tensorflow as tf
from tensorflow.keras.datasets import cifar10
from tensorflow.keras.preprocessing.image import ImageDataGenerator
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Dropout, Activation, Flatten
from tensorflow.keras.layers import Conv2D, MaxPooling2D


import pickle

pickle_in = open("/content/gdrive/My Drive/Deep Learning/Yüz Tanıma/X.pickle","rb")
X = pickle.load(pickle_in)

pickle_in = open("/content/gdrive/My Drive/Deep Learning/Yüz Tanıma/y.pickle","rb")
y = pickle.load(pickle_in)

X = X/255.0

model = Sequential()

model.add(Conv2D(128, (4, 4), input_shape=X.shape[1:]))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Conv2D(128, (4, 4)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Dense(128))
model.add(Activation('relu'))

model.add(Dense(128))
model.add(Activation('relu'))


model.add(Flatten())  

model.add(Dropout(0.4))

model.add(Dense(1))
model.add(Activation('sigmoid'))

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

model.fit(X, y, batch_size=32, epochs=20,validation_split=0.3)

model.save("/content/gdrive/My Drive/Deep Learning/Yüz Tanıma/model.h5")

这是我的训练日志：

Epoch 1/20
1728/1728 [==============================] - 30s 13ms/step - loss: 0.0000e+00 - accuracy: 0.4833 - val_loss: 0.0000e+00 - val_accuracy: 0.4826
Epoch 2/20
1728/1728 [==============================] - 22s 13ms/step - loss: 0.0000e+00 - accuracy: 0.4847 - val_loss: 0.0000e+00 - val_accuracy: 0.4826
Epoch 3/20
1728/1728 [==============================] - 22s 13ms/step - loss: 0.0000e+00 - accuracy: 0.4827 - val_loss: 0.0000e+00 - val_accuracy: 0.4826

如您所见，我的val_loss 和val_accuracy 没有改变。我的代码有什么问题，我该如何解决？

Answer 1

如果提供有关数据的更多信息，答案会更准确。

首先，您使用分类交叉熵作为损失函数，使用 Sigmoid 作为最后一层的激活，这有点矛盾（sigmoid 意味着您在 2 个类别和分类交叉熵中进行分类是当你有超过 2 个类时使用的东西）。如果您想使用 sigmoid（这意味着您有 2 个类）将您的损失更改为 Binary Cross-entropy，或者如果您愿意，您应该将您的 sigmoid 更改为 softmax 函数在 2 个以上的类别中进行分类。

此外，您必须在最后一个 CNN 层之后和第一个密集层之前使用 flatten（它将特征图（矩阵）转换为向量，这是正确的输入形状密集层。

最后，在完成所有这些之后，您可以使用超参数（学习率、batch_size 等）来查看是否可以获得一些准确度提升。