我有一个关于卷积神经网络 (CNN) 训练的问题。
我已经设法使用tensorflow 训练了一个网络，该网络接受输入图像（1600 像素）并输出与之匹配的三个类之一。
使用经过训练的类的变体测试网络会产生良好的结果。然而;当我给它一个不同的 -fourth- 图像（不包含任何经过训练的 3 图像）时，它总是返回一个随机匹配的类。
我的问题是，我如何训练网络来分类图像不属于三个训练图像中的任何一个？一个类似的例子，如果我针对mnist 数据库训练一个网络，然后给它一个字符“A”或“B”。有没有办法区分输入不属于任何一个类？
谢谢
【问题讨论】：
标签： tensorflow machine-learning neural-network conv-neural-network training-data
另一个解决方案是检查你的 CNN 在给出其他东西时通常会给出什么结果。我相信最后一层必须是 softmax 并且你的 CNN 应该返回三个给定类的概率。如果这些概率中没有一个接近于 1，这可能表明这是其他情况，假设您的 CNN 训练有素（在预测错误标签时必须因过度自信而被罚款）。
【讨论】：
您可能有三个输出节点，并选择最大值（one-hot encoding）。这有点不幸，因为它的输出数量很少。无法识别的输入往往会导致相当随机的输出。
现在，有了 3 个输出，大致可以得到 7 个结果。您可能会得到一个高值（3 种可能性），但无法识别的输入也可能导致 2 种高输出（也有 3 种可能性）或大致相等的输出（也有 3 种可能性）。因此，随机输入很有可能（约 3/7）在输出节点上产生一个模式，而您只希望这是一个可识别的输入。
现在，如果您有 15 个类和 15 个输出节点，您将看到大约 32767 个未识别输入的可能结果，其中只有 15 个对应于预期的 one-hot 结果。
这是缺乏训练数据的根本原因。如果您的训练集有 3 个类别之外的示例，您可以将其转储到第 4 个“其他”类别并进行训练。这本身并不是一个可靠的指示，因为通常理论上的“其他”集合很大，但是您现在有两种互补的方式来检测其他输入：通过“其他”输出节点或 11 个模棱两可的输出之一。
【讨论】：
您的模型将始终像您的标签一样进行预测，例如，如果您使用 MNIST 数据训练您的模型，当您进行预测时，预测将始终为 0-9，就像 MNIST 标签一样。
您可以做的是首先训练一个不同的模型，其中包含 2 个类别，您将在其中预测图像是属于数据集 A 还是 B。对于 MNIST 数据，您将所有数据标记为 1，并添加来自其他不同来源（不是 0-9）的数据并将它们标记为 0。然后训练模型以查找图像是否属于 MNIST。
【讨论】：
卷积神经网络 (CNN) 在训练后从定义的类中预测结果。无论准确性如何，CNN 总是从其中一个类返回。我遇到过类似的问题，你可以做的是检查准确度值。如果精度低于某个阈值，则它属于无类别。希望这会有所帮助。
【讨论】：