Seltsame Ergebnisse für die Bilderkennung mit AlexNet in Deep Learning

Question

Ich verwende ein modifiziertes AlexNet (cifar-10-Modell) in den Tensorflow-Tutorials, um einige Bilder von mechanischen Teilbildern zu erkennen, aber sehr seltsame Ergebnisse zu bekommen.

Die Trainingsgenauigkeit soll sehr bald 100% erreichen. Aber die Testgenauigkeit beginnt so hoch wie 45%, die sehr schnell auf so niedrig wie 9% abnimmt.

Ich mache meinen Test auf einem Trainingssatz von 20.000 Bildern und Test-Set von 2.500 Bildern mit 8 Kategorien. Ich mache die Ausbildung und Prüfung von Charge mit einer Größe von 1024.

Die Genauigkeit und Trainingsverlust wird unten gezeigt, und man kann sehen, dass:

1. Die Testgenauigkeit beginnt bei so hoch wie 45%, was doesn‘ t Sinn machen.
2. Die mechanischen Bilder werden als ‚linke Klammer‘ Accuracy Classification results

Answer 1

Ihre Testgenauigkeit abnimmt, immer klassifizieren ich denke, es wegen des Overfitting passiert. Versuchen Sie, das Modell mit einem einfacheren Modell oder einer Regularisierungsmethode zu optimieren.

Answer 2

Möglicherweise möchten Sie Ihre Daten oder Merkmalsextraktion auf Fehler prüfen. Ich habe eine Proteinstrukturvorhersage für 3-labels gemacht, aber ich verwendete eine falsche Extraktionsmethode. Meine Validierungsgenauigkeit beginnt ebenfalls bei 45% und fällt dann schnell ab.

Wissen, wo meine Fehler sind, habe ich von vorne angefangen: Jetzt mache ich Proteinstruktur Vorhersage für 8-Labels. Die Genauigkeit aus der ersten Epoche beträgt 60% und kann stetig auf 64,9% steigen (der aktuelle Q8-Weltrekord für CB513 liegt bei 68,9%).

So Validierung Genauigkeit ab 45% ist kein Problem, aber schnell fallen ist. Ich habe Angst, dass Sie irgendwo in Ihrer Daten/Extraktion einen Fehler haben, anstatt nur überzupassen.