我有使用Keras图像分类的问题。我总是得到差的精度只有0.02。我试图遵循猫和狗的分类，它的准确度为0.8，但在我的情况下，它不能工作30类。
假设我有大约100K图像的数据集，分类在30个类别内。我把它分成80%用于训练，20%用于验证。
结构文件夹是这样的。
|-train
|---category1
|---category2
|---category3
|---category4
|---.....
|---category30
|
|-validation
|---category1
|---category2
|---category3
|---category4
|---.....
|---category30
train文件夹中的每个类别包含大约2000到4000幅图像。
我的模型
model = tf.keras.Sequential([
Conv2D(kernel_size=3, filters=16, padding='same', activation='relu', input_shape=[150,150, 3]),
Conv2D(kernel_size=3, filters=30, padding='same', activation='relu'),
MaxPooling2D(pool_size=2),
Conv2D(kernel_size=3, filters=60, padding='same', activation='relu'),
MaxPooling2D(pool_size=2),
Conv2D(kernel_size=3, filters=90, padding='same', activation='relu'),
MaxPooling2D(pool_size=2),
Conv2D(kernel_size=3, filters=110, padding='same', activation='relu'),
MaxPooling2D(pool_size=2),
Conv2D(kernel_size=3, filters=130, padding='same', activation='relu'),
Conv2D(kernel_size=1, filters=40, padding='same', activation='relu'),
GlobalAveragePooling2D(),
Dense(1,'sigmoid'),
Activation('softmax')
])
model.compile(optimizer=keras.optimizers.Adam(lr=.00001),
loss=tf.keras.losses.BinaryCrossentropy(from_logits=True),
metrics=['accuracy'])
训练数据集
history = model.fit_generator(
train_generator,
steps_per_epoch=100,
epochs=10,
validation_data=validation_generator,
validation_steps=50,
verbose=2)
我的准确度总是很低，比如0.02或0.03
Epoch 6/10
100/100 - 172s - loss: -1.8906e+01 - accuracy: 0.0265 - val_loss: -1.8923e+01 - val_accuracy: 0.0270
Epoch 7/10
100/100 - 171s - loss: -1.8773e+01 - accuracy: 0.0230 - val_loss: -1.8396e+01 - val_accuracy: 0.0330
Epoch 8/10
100/100 - 170s - loss: -1.8780e+01 - accuracy: 0.0295 - val_loss: -1.9882e+01 - val_accuracy: 0.0180
Epoch 9/10
100/100 - 170s - loss: -1.8895e+01 - accuracy: 0.0240 - val_loss: -1.8572e+01 - val_accuracy: 0.0210
Epoch 10/10
100/100 - 170s - loss: -1.9091e+01 - accuracy: 0.0265 - val_loss: -1.8685e+01 - val_accuracy: 0.0300
那么我该如何改进我的模型呢？有什么不对劲吗？
你的最后一层应该有和你的类一样多的神经元。所以你最后的致密层应该是：
Dense(n_classes),
Activation('softmax')
此外，由于您的任务不是二进制分类，因此损失函数应为：
loss=tf.keras.losses.CategoricalCrossentropy()
from_logits=True只有在您的最终致密层（您有）上没有激活功能时才应设置为True。如果要保留from_logits=True，请删除softmax激活。
对于此丢失函数，请确保在您的flow\u from\u目录调用中，class\u mode='classifical'。
还有一点，你的学习率好像很小。0.001的默认学习率应该没问题。
首先，您应该更改以下行：
Dense(1,'sigmoid'),
Activation('softmax')
进入：
Dense(number_of_classes,'softmax'),
在模型中。fit（）
loss=tf.keras.losses.CategoricalCrossentropy(from_logits=False)
其中，number_of_classes是案例中的类别数（30）。
其次，由于每个类的数量非常少，所以应该使用预训练的网络。一个好的起点是ResNet50。
