深度学习 - 烛台问题（CNN 模型）

Question

我是深度学习的新手，只是想问一下我使用的方法是否正确。

此外，如果有人对模型创建的更改有什么建议，我们也将不胜感激。

graphs look similar

我正在使用 CNN 模型来训练基于“买入”、“卖出”和“交易”图片的烛台，这些图片看起来与所附图片相似。 （尝试了不同数量的柱，但结果相似）

我基于这篇文章的代码：

https://towardsdatascience.com/making-a-i-that-looks-into-trade-charts-62e7d51edcba

我做了一些更改，但保持模型训练代码相似（小的更改不会产生显着的准确性）

# Input the size of your sample images
img_width, img_height = 150, 150
nb_filters1 = 32
nb_filters2 = 32
nb_filters3 = 64
conv1_size = 3
conv2_size = 2
conv3_size = 5
pool_size = 2
# We have 2 classes, buy and sell
classes_num = 3
batch_size = 128
lr = 0.001
chanDim =3

model = Sequential()
model.add(Convolution2D(nb_filters1, conv1_size, conv1_size, border_mode ='same', input_shape=(img_height, img_width , 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(pool_size, pool_size)))

model.add(Convolution2D(nb_filters2, conv2_size, conv2_size, border_mode ="same"))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(pool_size, pool_size), dim_ordering='th'))

model.add(Convolution2D(nb_filters3, conv3_size, conv3_size, border_mode ='same'))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(pool_size, pool_size), dim_ordering='th'))

model.add(Flatten())
model.add(Dense(1024))
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(classes_num, activation='softmax'))

model.summary()
model.compile(loss='categorical_crossentropy',
                      optimizer=optimizers.rmsprop(),
                      metrics=['accuracy'])

train_datagen = ImageDataGenerator(
    #rescale=1. / 255,
    horizontal_flip=False)

test_datagen = ImageDataGenerator(
    #rescale=1. / 255,
    horizontal_flip=False)

train_generator = train_datagen.flow_from_directory(
    train_data_dir,
    target_size=(img_height, img_width),
    #shuffle=True,
    batch_size=batch_size,
    class_mode='categorical'
)

validation_generator = test_datagen.flow_from_directory(
    validation_data_dir,
    target_size=(img_height, img_width),
    batch_size=batch_size,
    #shuffle=True,
    class_mode='categorical')

有了这个，我得到了 38% 的准确率，如果我去掉“禁止交易”选项，我得到了 52% 的准确率。

训练前和训练后并没有显着提高准确率，这就是为什么我假设设置不是 100%

.

在进行预测时，结果总是偏向一边（52% 买入，48% 卖出），并且在数百张图片之后变化不大。

有什么建议吗？

Answer 1

我假设您的三个选项是“买入”、“卖出”和“不交易”。它之所以跃升至 52%，是因为它区分了 2 个选项而不是 3 个选项。

关于低于预期的准确度，我建议将损失更改为Adam。也可能将 dropout 层移动到网络的中间。我发现在每个池化层之后添加dropout = .2 是成功的。通过这种方式，节点在整个网络中被丢弃，从而允许采用的节点路径具有更多“多样性”。